Incorporating Syntax and Lexical Knowledge to Multilingual Sentiment Classification on Large Language Models

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F25%3ARAABDZCE" target="_blank" >RIV/00216208:11320/25:RAABDZCE - isvavai.cz</a>

Výsledek na webu

<a href="https://www.scopus.com/inward/record.uri?eid=2-s2.0-85205305997&partnerID=40&md5=5c611bb12243efaadecc259376a6217f" target="_blank" >https://www.scopus.com/inward/record.uri?eid=2-s2.0-85205305997&partnerID=40&md5=5c611bb12243efaadecc259376a6217f</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Incorporating Syntax and Lexical Knowledge to Multilingual Sentiment Classification on Large Language Models

Popis výsledku v původním jazyce

This paper exploits a sentiment extractor supported by syntactic and lexical resources to enhance multilingual sentiment classification solved through the generative approach, without retraining LLMs. By adding external information of words and phrases that have positive/negative polarities, the multilingual sentiment classification error was reduced by up to 33 points, and the combination of two approaches performed best especially in high-performing pairs of LLMs and languages. © 2024 Association for Computational Linguistics.

Název v anglickém jazyce

Incorporating Syntax and Lexical Knowledge to Multilingual Sentiment Classification on Large Language Models

Popis výsledku anglicky

This paper exploits a sentiment extractor supported by syntactic and lexical resources to enhance multilingual sentiment classification solved through the generative approach, without retraining LLMs. By adding external information of words and phrases that have positive/negative polarities, the multilingual sentiment classification error was reduced by up to 33 points, and the combination of two approaches performed best especially in high-performing pairs of LLMs and languages. © 2024 Association for Computational Linguistics.

Druh

D - Stať ve sborníku

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Proc. Annu. Meet. Assoc. Comput Linguist.

ISBN

979-889176099-8

ISSN

0736-587X

e-ISSN

—

Počet stran výsledku

8

Strana od-do

4810-4817

Název nakladatele

Association for Computational Linguistics (ACL)

Místo vydání

—

Místo konání akce

Hybrid, Bangkok

Datum konání akce

1. 1. 2025

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—