Cet article est disponible sur arxiv sous licence CC BY-NC-SA 4.0 DEED.   Auteurs:  (1) Cristina España-Bonet, DFKI GmbH, Campus informatique de la Sarre.  Tableau des liens   Résumé et introduction   Compilation de corpus   Classification des positions politiques   Résumé et conclusions   Limites et déclaration d'éthique   Remerciements et références   A. Journaux dans OSCAR 22.01   B. Thèmes   C. Répartition des sujets par journal   D. Sujets pour la génération d'articles ChatGPT et Bard   E. Classification des positions au niveau de l'article   F. Détails de la formation  F. Détails de la formation  F.1 Classificateur G/D  Nous affinons XLM-RoBERTa large (Conneau et al., 2020) pour la classification L vs. R comme schématisé dans la figure 1. Notre classificateur est un petit réseau au-dessus de RoBERTa qui effectue d'abord un abandon avec une probabilité de 0,1 sur le jeton [CLS] de RoBERTa, suivi d'une couche linéaire et d'un tanh. Nous passons par une autre couche d'abandon avec une probabilité de 0,1 et une dernière couche linéaire se projette dans les deux classes. Toute l'architecture est peaufinée.   Nous utilisons une perte d'entropie croisée, un optimiseur AdamW et un taux d'apprentissage qui décroît linéairement. Nous ajustons la taille du lot, le taux d'apprentissage, la période de préchauffage et le nombre d'époques. Les meilleures valeurs par langue et modèle sont résumées dans le tableau 12.   Toutes les formations sont effectuées à l'aide d'un seul GPU NVIDIA Tesla V100 Volta de 32 Go.  F.2 Modélisation de sujets  Nous utilisons Mallet (McCallum, 2002) pour effectuer une LDA sur le corpus après avoir supprimé les mots vides, avec l'option d'optimisation des hyperparamètres activée et effectuée toutes les 10 itérations. Les autres paramètres sont les valeurs par défaut. Nous faisons un run par langue avec 10 sujets et un autre run avec 15 sujets. Nous étiquetons le corpus avec les deux étiquettes.

Part of HackerNoon's growing list of open-source research papers, promoting free access to academic material.

MediaBias.TECH

We publish deeply researched (and often vastly underread) academic papers about our collective omnipresent media bias.

MediaBias's

Cet audio est produit dans la langue originale de l'histoire !

Classification multilingue grossière des positions politiques des médias : détails de la formation

About Author

COMMENTAIRES

ÉTIQUETTES

CET ARTICLE A ÉTÉ PARU DANS

Related Stories

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Créer des produits cryptographiques centrés sur l'utilisateur : l'importance des retours clients

Des forums aux flux : comment les algorithmes des réseaux sociaux façonnent l'interaction numérique

Comment améliorer votre flux de travail par 10 : 17 applications essentielles

Le modèle Bitcoin UTXO, alimentant un écosystème unique

Light-Mode

Classic

Newspaper

Dark-Mode

Neon Noir

Minty

HN StartUps