一种自然语言中识别论证结构的双阶段方法
介绍了一种新的方法通过序列标记识别论证结构,并使用整数线性规划来优化引用组件类型和论证关系,提高了基础分类器的性能,同时还引入了一个包含论证结构注释的新语料库,以促进将来对计算论证的研究。
Apr, 2016
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。
Oct, 2020
本研究提出了一种基于 Transformer 的上下文感知论点结构预测模型,该模型在五个不同领域中显著优于仅编码有限上下文或仅依赖特征的模型,并提出了模型无关的样本获取策略,可推广到各种领域。通过大量实验证明,在进行跨领域的主动学习早期阶段,结合迁移学习,可进一步获得显著提高的 F1 得分(5-25)
Apr, 2022
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
本文是 Dialogue 会议对针对新冠疫情(疫苗、隔离和戴口罩)话题的社交媒体评论进行第一次俄语言论分析系统及其竞赛的组织者报告,由 NLI 变体的 BERT 体系结构获胜,希望为俄文文本的论证挖掘研究提供帮助。
Jun, 2022
本文提出了一种问答方法来提取文档级别的事件 - 论证结构,使用手动定义的模板和生成型 Transformer 自动生成问题,并使用数据增强策略和迁移学习提高抽取结果的准确性,同时对最佳模型的错误进行详细分析。
Apr, 2024
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。
Dec, 2016