内涵框架:基于数据的研究
本研究提出了一种名为 “社会偏见框架” 的新的概念形式化模型,以模拟人们如何将社会偏见和刻板印象投射到其他人身上的框架,并建立了一个名为 “社会偏见推理语料库” 的数据集来支持大规模建模和评估,分析表明当前最先进的神经模型虽然能够高效地对是否含有不良社会偏见进行分类,但在详细解释社会偏见框架方面并不有效。本研究为今后的研究工作提供了指导,即将结构化的语用推理与社会影响的通识推理相结合。
Nov, 2019
本文研究了不同上下文环境下,有些动词引起的语义框架不同,以及如何利用 Contextualized word representations 识别这些不同的语义框架,同时探索哪些类型的表示适合用于语义框架的归纳。通过比较七种不同的 Contextualized word representations,特别是 BERT 和其变体,在 FrameNet 和 PropBank 等英语 Frame-semantic 资源方面进行了实验,表明,某些 Contextualized word representations 对于语义框架的归纳具有相当的信息量。此外,本文还考察了动词的上下文表示估算其所引起的语义框架数的程度。
May, 2021
本文介绍了 Definition Frames (DF),一种从定义中提取的矩阵分布式表示,其中每个维度都具有语义可解释性,DF 具有与其他分布式语义方法相媲美的性能,能在单词相似性任务上取得可比较的成果。
Sep, 2019
本文提出了第一个基于概率的帧感应方法,它将框架、事件、参与者作为潜在主题,学习最能解释文本的框架和事件转换。通过句法分析的新型应用进行了框架的推断。在从文本到诱导的框架和提取的事实的端到端评估中,我们的方法产生了最先进的结果,同时大大减少了工程工作量。
Feb, 2013
介绍了一种基于主题建模和深度学习的系统,用于分析和分类文本文档中的框架,该系统提供了预训练的框架分类模型以及适用于用户提供的语料库的新型分类模型的易于使用的流水线,旨在使研究人员能够获得文档的框架
Aug, 2020
本文提出了一种通过深度度量学习来微调上下文嵌入模型,并将微调后的上下文嵌入应用于语义框架识别的模型,实验结果表明该方法可显著提高聚类评估分数,并且即使训练实例数量较少,也能取得较好效果。
Apr, 2023
使用众包方法对维基百科语料库中的 5,000 个词语 - 句子对进行了 FrameNet 语义框架消歧的资源建设,提供了一个基于不同独立注释者之间互相不同意见的置信度分数的框架列表,强调了语义框架之间的重叠和不确定性对于训练和评估自然语言处理系统的重要性,同时使用 Framester 系统提供的扩展词形集完成数据处理。
Apr, 2019
研究发现,通过使用多种信息模式(包括文章和图像派生特征)对新闻框架进行预测可以提高准确性,特别是当图像与标题的框架相关时。这也表明框架图像相关性与通过图像传递框架的便利程度相关。此外,作者还发布了美国枪支暴力相关的第一个多模式新闻框架数据集,供传播研究人员进一步研究多种信息模式在媒体框架研究中的应用。
Jun, 2024