基于语义的句法机器翻译中的情态和否定使用

Feb, 2015

基于语义的句法机器翻译中的情态和否定使用

Use of Modality and Negation in Semantically-Informed Syntactic MT

Kathryn Baker, Michael Bloodgood, Bonnie J. Dorr, Chris Callison-Burch, Nathaniel W. Filardo...

TL;DR本文描述了为期八周的约翰霍普金斯大学人类语言技术卓越中心应用语言探索夏令营（SCALE-2009）中语义驱动机器翻译（SIMT）的资源和系统构建工作。作者引入了一种新的模态 / 否定（MN）注释方案，基于该方案和词典生成了两个自动化的 MN 标注器，并将其应用于用于翻译的语法框架中，结果显示基于结构的 MN 标注器的标注精确率高达 86％。最终生成的系统有效地提高了翻译质量。

Abstract

This paper describes the resource- and system-building efforts of an eight-week Johns Hopkins University Human Language Technology Center of Excellence Summer Camp for Applied Language Exploration (SCALE-2009) on semantically-informed machine translation (SIMT). We describe a new

semantically-informed machine translation modality negation syntactic framework semantic annotations

发现论文，激发创造

一种模态词典及其在自动标记中的应用

本文介绍了模态词的注释方案、模态词的构建、以及两种使用词汇表和注释方案构建的自动标注工具。使用基于结构的标记工具来在英文 - 乌尔都语训练语料库上注释英文模态，使得机器翻译的质量得到了提高。

Oct, 2014

神经机器翻译中语义现象的自然语言推理评估

本文提出一个过程，用于研究神经机器翻译 (NMT) 系统生成的句子表示如何编码不同的语义现象，最终发现编码器最适合在语法 - 语义界面上支持推理，而不是需要世界知识的指代消解。

Apr, 2018

针对性情感分类的否定与推测的多任务学习

本文中，我们提出了一种多任务学习方法，将来自句法和语义辅助任务的信息（包括否定和推测范围检测）结合起来，创建了更具鲁棒性的英语语言模型，以处理定向情感分析中的语言现象，经实验证明，基于多任务和通过语言建模的迁移学习都能提高模型性能，但总体表现仍有改进的空间。我们在此链接上发布了数据集和源代码。

Oct, 2020

神经自然语言推断模型部分嵌入了词汇蕴含和否定理论

本研究通过四种方法评估自然语言推理 (NLI) 模型是否可以学习词汇蕴涵和否定之间的组合交互作用，并提出了一个新的自然数据集 MoNLI，其中集中了词汇蕴涵和否定的相关内容，通过对 MoNLI 的 Fine-tuning 得到的模型相较于通用 NLI 数据集拥有更好的效果，同时对当前表现最佳的 BERT 模型进行探究表明其至少部分嵌入了词汇蕴涵和否定的算法级别理论。

Apr, 2020

非自回归机器翻译中的语法多模式研究

该论文针对非自回归翻译模型中存在的语法多模式问题进行了系统研究。作者提出了连接时序分类（CTC）和无序交叉熵（OAXE）损失函数来处理不同范围的语法多模式，并设计了一种新的损失函数来更好地处理实际世界数据集中的复杂语法多模式。

Jul, 2022

基于规则注释和众包的统计模态标注

训练一种自动情态标注器（modality tagger）。在用规则进行简单的情态标注的基础上，通过 Mechanical Turk 逐步提供训练数据集并使用多类 SVM 进行精确的情态标注，解决了训练数据稀少的难题。

Mar, 2015

自然语言处理中的否定检测和词语消歧的语义方法

本研究旨在演示一种通过词义消歧唯一地评估文本的词汇结构以检测否定的方法，从而解决否定对情感分析的影响，达到更好的准确性，并且在情感分析方面比传统方法有着显著的提高。

Feb, 2023

神经机器翻译中否定的再探讨

通过对神经机器翻译的信息流分析，我们在英 - 德和英 - 中语言对上实验并对否定语的翻译进行自动和手动评估，找到了 NMT 模型和翻译方向之间性能的变化，并发现本文所考虑的 NMT 模型最大的翻译错误类型是低估，这与以前在统计机器翻译中观察到的更多样化的错误类型相反。

Jul, 2021

利用句法依赖和语义一致性进行否定三元组提取

本文提出了一种新的否定三元组抽取（NTE）任务，旨在提取否定主语、否定提示和范围。我们设计了一种基于生成预训练语言模型（PLM）的 Syntax&Semantic-Enhanced Negation Extraction 模型（SSENE），通过多任务学习框架，该模型通过将给定句子的句法依赖树结合到 PLM 的编码器中，来发现否定主语、提示和范围之间的关系，并通过辅助任务学习确保句子与提取的三元组之间的语义一致性。此外，我们还基于美团真实平台上用户评论构建了高质量的中文数据集 NegComment，在该数据集上的评估结果表明，与基准系统相比，SSENE 实现了最佳的 NTE 性能。通过消融实验和案例研究也证明，将句法信息纳入 PLM 有助于识别主语和提示之间的远程依赖关系，辅助任务学习有助于提取具有更多语义一致性的否定三元组。

Apr, 2024

您的模型能否区分否定与暗示？揭示意图编码的挑战

通过使用三个任务（意图分类、意图聚类和新颖的三元组任务）来评估意图嵌入模型在语义理解方面的能力，研究使用预训练方法和数据增强来改善意图嵌入模型在实际对话系统中的性能。

Mar, 2024