提出了一种从自然语言文本中提取论点结构的新方法,其包括评分分配和结构预测两个阶段,评分分配阶段使用不同的训练策略和词嵌入特征对各种关系进行分类,最终预测出最佳结构,实验表明该方法表现优于基线系统。
Dec, 2016
本文介绍了第一个基于神经网络的自动化论证挖掘方法,并采用了指针网络结构来提取和分类不同的论证组件,以揭示论证文本中存在的论证结构和层级体系。实验结果表明,优化两个任务的性能和添加完全连接层对于高性能至关重要。
为了计算化支持论证写作,需要挖掘论证结构和品质评分之间的相互作用,然而,目前尚未发布包含地面实论文品质标注的论证挖掘语料库。通过提供一份德语语料库,其中包括两个年龄组的学生写的 1,320 篇论文,并手动注释了论证结构和品质,填补了这一研究空白,并提出了论证挖掘和文章评分的基线方法,同时分析了两个任务之间的相互作用,为品质导向的论证写作支持奠定了基础。
Apr, 2024
本文提供了一种新颖的注释方法,以捕获德语商业模型学生写作的有关论点和前提以及它们之间的关系,并通过 50 篇说服性文章上的标注研究来评估我们的注释方案,呈现了我们的免费语料库以及指南,以鼓励未来针对学生的论述写作支撑系统的设计和开发的研究。
Oct, 2020
本论文使用多任务和多语料训练策略改进了一种最先进的链接模型,较之前表现有显著提升;实验证明,使用这两个策略可将 F1-macro 值提高 15.8%,适用于英语作为外语学习者所写的文章。
Sep, 2021
本文提出了使用因子图模型来获取在线辩论平台上的论点结构特征,并将这些特征结合到基于 LSTM 的模型中,以预测哪位辩手的论点最有说服力。研究发现,在评估在线辩论中的论点说服力时,结合论点结构特征可以发挥重要作用。
本研究提出了一种新的因子图模型,用于处理不一定形成树结构的文本论述关系,可以学习最基本的单元分类和论证关系预测,支持 SVM 和 RNN 参数化,可以强制执行结构约束并表示相邻关系和命题之间的依赖关系,并在网络评论和论辩文章数据集上优于非结构化基准线。
Apr, 2017
本文提出了一种新的论点挖掘方法,它采用基于注意力的嵌入进行链路预测,以模拟在线辩论中普遍存在的因果关系层次结构。
Feb, 2023
该研究使用修辞树代替词序,提出了一种深度依存分析模型来评估同一论证方案内的释义差异,并使用 RST 结构的释义作为训练数据增强,结果表明论证挖掘可以从多种言语结构变体中获益。
Jan, 2024
本文介绍了一种神经语义解析器,将自然语言对话转换成谓语 - 论元结构的中间表示,并通过标注的逻辑形式或其指示训练端到端的语义解析器。在各种数据集上实验,得到了具有竞争力的结果。作者从诱导的谓词 - 论元结构中发现,它们可以揭示有关语义解析有用表示形式的类型以及这些表示形式与语言学上动机的表示形式之间的差异。