| Title: | Czech Dataset for Cross-lingual Subjectivity Classification |
| Other Titles: | Český Dataset pro mezijazyčnou klasifikaci subjektivity |
| Authors: | Přibáň, Pavel Steinberger, Josef |
| Citation: | PŘIBÁŇ, P. STEINBERGER, J. Czech Dataset for Cross-lingual Subjectivity Classification. In Proceedings of the Thirteenth Language Resources and Evaluation Conference. Marseille, France: European Language Resources Association, 2022. s. 1381-1391. ISBN: 979-10-95546-72-6 |
| Issue Date: | 2022 |
| Publisher: | European Language Resources Association |
| Document type: | konferenční příspěvek ConferenceObject |
| URI: | 2-s2.0-85144389838 http://hdl.handle.net/11025/51716 |
| ISBN: | 979-10-95546-72-6 |
| Keywords: | subjektivita;dataset;mezijazyčný;klasifikace;transformers;benchmark |
| Keywords in different language: | subjectivity;dataset;Czech;cross-lingua;classification;transformers;benchmark |
| Abstract: | V tomto článku představujeme nový český dataset pro klasifikaci subjektivity, který obsahuje 10 tisíc manuálně označených subjektivních a objektivních vět z filmových recenzí a popisů filmů. Naší hlavní motivací je poskytnout spolehlivý dataset který může být použit společně s již existujícím anglickým datasetem jako test schopnosti předtrénovaných vícejazyčných modelů pro přenost znalosti mezi češtinou a angličtinou. Dva anotátoři označili dataset a dosáhli 0.83 Cohen Kappa metriky. Dále jsme vytvořili doplňkový dataset který obsahuje 200 tisíc automaticky označených vět. Oba datasety jsou volně k použití pro výzkumné účely. Dále jsme provedli tzv. Fine-tuning pěti předtrénovaných modelů založených na architektuře Transformers pro určení základních výsledků, kde dosahujeme 93.56% úspěšnosti. Dále provádíme experimenty, které mají za cíl ověřit možnosti vícejazyčných modelů pro přenos znalosti mezi jazyky. |
| Abstract in different language: | In this paper, we introduce a new Czech subjectivity dataset of 10k manually annotated subjective and objective sentences from movie reviews and descriptions. Our prime motivation is to provide a reliable dataset that can be used with the existing English dataset as a benchmark to test the ability of pre-trained multilingual models to transfer knowledge between Czech and English and vice versa. Two annotators annotated the dataset reaching 0.83 of the Cohen’s kappa inter-annotator agreement. To the best of our knowledge, this is the first subjectivity dataset for the Czech language. We also created an additional dataset that consists of 200k automatically labeled sentences. Both datasets are freely available for research purposes. Furthermore, we fine-tune five pre-trained BERT-like models to set a monolingual baseline for the new dataset and we achieve 93.56% of accuracy. We fine-tune models on the existing English dataset for which we obtained results that are on par with the current state-of-the-art results. Finally, we perform zero-shot cross-lingual subjectivity classification between Czech and English to verify the usability of our dataset as the cross-lingual benchmark. We compare and discuss the cross-lingual and monolingual results and the ability of multilingual models to transfer knowledge between languages. |
| Rights: | © CC BY-NC-ND 4.0 |
| Appears in Collections: | Konferenční příspěvky / Conference Papers (KIV) OBD |
Files in This Item:
| File | Size | Format | |
|---|---|---|---|
| Přibáň, Steinberger paper-LREC.pdf | 347,57 kB | Adobe PDF | View/Open |
Please use this identifier to cite or link to this item:
http://hdl.handle.net/11025/51716Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.