XiaoMi-AI文件搜索系统
World File Search System义文
伽利略搜索和救援服务定义文件
本文件中关于 MPL 的承诺以及任何其他承诺均不影响下文所述的免责声明以及伽利略安全认证委员会或根据理事会第 2021/698/CSFP 号决定或为了成员国的国家安全利益而采取的可能影响服务可用性的措施。欧盟 (EU) 计划在可预见的未来采取一切必要措施，以维持或超过本文所述的 SAR/Galileo 服务性能的 MPL。本文件 (SAR/Galileo SDD) 中规定的 SAR/Galileo MPL 是在用户设备符合 [RD4]（第一代 C/S 信标）中定义的 406MHz 遇险信标的 Cospas-Sarsat 标准的情况下获得的。 RLS 的具体规定适用于所有符合 [RD4] 或 [RD12] 文档（分别为第一代和第二代 C/S 信标）且支持 RLS 的信标。
NLU-STR在Semeval-2024任务1：基于生成的增强和基于编码器的语义文本相关性评分
语义文本相关性是语义相似性的更广泛的影响。它衡量了两个文本传达相似含义或主题或共享相关概念或上下文的范围。这种相关性概念可以在各种应用中（例如文档聚类和汇总）中提出。SEMREL-2024是Semeval-2024中的共享任务，旨在通过为包括阿拉伯语在内的14种语言和方言提供数据集来减少语义相关性任务中的差距。本文介绍了我们参与轨道A（阿尔及利亚和摩洛哥方言）和轨道B（现代标准阿拉伯语）的参与。在监督轨道（a）中对基于BERT的模型进行了精心调整，而基于BERT的CONINE相似性则用于无监督的轨道（B）。我们的系统在Semrel-2024中对MSA排名第1，Spearman相关得分为0.49。，我们为摩洛哥排名第5位，而阿尔及利亚的排名分别为0.83和0.53。
提升 Transformer 架构在语义文本相似度方面的性能
摘要 — 语义文本相似性是估计两个文本含义之间的相似性的任务。在本文中，我们通过部分调整模型然后端到端调整，在语义文本相似性基准上对 Transformer 架构进行微调，以实现语义文本相似性。我们通过将问题作为二分类任务或回归任务来尝试 BERT、RoBERTa 和 DeBERTaV3 交叉编码器。我们结合 Transformer 模型的输出，并使用手工制作的特征作为增强算法的输入。由于测试集结果较差，加上验证集的改进，我们尝试使用不同的数据集拆分来进一步调查这种情况。我们还提供了错误分析，重点关注预测范围的边缘。索引术语 — 语义文本相似性、Transformer、增强算法、自然语言处理