竞赛总结：CCL 2021 图文幽默计算
2021 年第三届幽默识别研讨会刚闭幕，本次我们取得了第二名的成绩，并在大会上作报告。本文对参赛者的方法进行汇总，按照排名从低到高的顺序进行介绍。
评测总结
任务介绍
参赛数据统计
评测数据分析
评测结果
方案汇总
报告的顺序按照排名倒序排列。
报告 1. 一种基于预训练模型的多模态幽默识别方法，韩超（云南大学）
模型介绍
文本: electra
图像：vgg
方法
评价
结论
报告 2. 基于 Transformer 编码器的多模态幽默识别方法，李振（哈尔滨工业大学）
报告 3. 一种基于 Bert 模型的幽默识别方法，吴绍武（南方科技大学）
报告 4. 多预训练模型集成的数据增强图文幽默识别，耿源羚（大连理工大学）
请问可以分享下在微调和多模型集成训练时的调参技巧吗？
- 单个模型：调参方法，先用一个预训练开始，找到一个比较好的参照。然后再去调整，比较注重学习率，可以从极端小开始调整。权重衰减可以调整。设置步数，进行停止。
- 多个模型：更具经验值投票，手动调整模型投票的权重。
报告 5. 一种基于多模态集成学习的幽默识别方法，陈佳豪(好未来)
报告 6. A Simple Approach for Humor Classification on Memes using Transfer Learning，陈雨涛（北京理工大学）
迁移学习
- 数据量少
- 各预训练模型的优异表现
晚期融合
- 数据集图片存在多种来源，Faster-RCNN/SentiBank 等无法有效提取目标对象。
- 导致图片的语义信息与文本不在同一空间。
完全相信模型
总结那些有效？
- 从图片提取文本，会好一些
- 图片的大小以及后面非同质的问题，对结果影响比较大