ACLApr, 2017

指代消解中的词汇特征：谨慎使用

PDF
TL;DR本文研究了在先进的共指消解器中使用大量词汇特征的一个缺点，即如果核心语义分辨器主要依靠词汇特征，它们几乎无法推广到未见过的领域。此外，我们还展示了当前的共指消解评估存在明显缺陷，因为只针对一个特定数据集中的特定拆分进行评估，在训练、开发和测试集之间存在显着重叠。
coreference resolverslexical featureslinguistic phenomenacontextevaluation
发现论文，激发创造
  • 利用语言学特征提高神经共指解析器的泛化能力

    本研究探讨在核指消解中使用语言特征以提高泛化性能，结果表明，仅增加一组附加的语言特征只略微提高泛化性能，而使用信息量高的特征子集，可以显著提高泛化性能，从而使得我们的系统在 WikiCoref 数据集上获得了与该数据集特定模型相当的表现，实现了最先进的结果。

    Aug, 2017

  • 使用广义表示，但不要忽略表面特征

    本研究展示了使用表面特征的简单 SVM 模型在检测指代名词方面胜过复杂神经模型，而使用广义表示和表面特征则能够相互补充，提高共指消解的性能。

    Feb, 2017

  • 词汇特征更易受攻击，句法特征具有更强的预测能力

    本文研究语言特征的易受攻击性，分析了特征值变化和预测功效变化等两个层面，结果表明词汇特征比句法特征更容易受到攻击，然而句法特征的微小变化却比词汇特征更能影响后续的分类表现。三个数据集的验证证实了这些结果。

    Sep, 2019

  • 提高神经网络命名实体识别的鲁棒性词汇特征

    本文介绍一种使用神经网络方法进行实体识别的系统，主要聚焦于研究如何在建模时引入词汇特征，并通过低维向量空间嵌入和高效训练得到最佳结果，最终在公开数据集上取得了较高的 F1 分数。

    Jun, 2018

  • 探究共指消解模型无法推广的原因

    该研究探讨了当前代表性的共指消解模型中的误差与不同数据集、核心共指类型的操作方式有关的程度，并对现有模型在各种共指类型下的表现进行了分类，结果表明在不同共指类型下的表现存在差异，这可以为未来的核心共指解析模型开发提供参考。

    Mar, 2023

  • 跨文档指代消解的现实评估原则

    该研究指出跨文档指代消解的常见评估方法在假设情境方面过于宽松，导致结果夸大。为此，提出两种评估方法论原则，一是应该根据预测的提及而非黄金提及来评估模型，二是模型不应利用合成的 ECB + 数据集的主题结构，以便模型面对词汇歧义挑战，实证结果显示我们更为真实的评估方法对于一个竞争模型的影响巨大，并导致 33 的 F1 得分下降，从而解决该问题。

    Jun, 2021

  • 学习核链消解的全局特征

    使用循环神经网络直接学习实体群集的全局表示，尤其对于代词提及的预测特别有用，可以整合到端到端的指代系统中，不需要任何其他搜索，表现优于现有技术。

    Apr, 2016

  • 俄语轻量级核指代消解：基于分层语篇特征的方法

    本研究提出了一种新方法，通过引入修辞信息到神经共指消解模型中，来明确捕获层次化语篇中的指代选择， 并使用多语言实体感知语言模型 LUKE，在 RuCoCo-23 共指消解任务上评估了该方法的性能。实验表明，使用修辞距离的最佳模型在开发集 (74.6 % F1) 上排名第一，在测试集 (73.3 % F1) 上排名第二。希望我们的研究能够激发对于神经共指消解模型中引入语篇信息的进一步研究。

    Jun, 2023

  • 一种上下文相关的门控模块，用于将符号语义纳入事件指代消解

    本文提出了一种基于上下文的门控模块，通过控制符号特征的信息流动，以适应性地进行事件指代消解，结合一种简单且鲁棒的训练方法，在 ACE 2005 和 KBP 2016 的两个数据集上实现了最先进的结果。

    Apr, 2021

  • 利用多任务学习将单例和基于提及的特征纳入共指消解，以提高泛化性能

    这篇论文提出了一种通过多任务学习方法学习单例以及实体类型和信息状态等特征的共指模型，在 OntoGUM 基准上取得了新的最高分（+2.7 分），并在多个领域的数据集上提高了鲁棒性（平均 + 2.3 分），可能是由于更大的指称检测的泛化能力和更多单例数据的利用所致。

    Sep, 2023