ACLApr, 2017

结构化支持向量机与循环神经网络在论点挖掘中的应用

PDF
TL;DR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。
argument miningfactor graph modelsvmrnnstructure constraints
发现论文，激发创造
  • 使用 BERT 和基于自注意机制的嵌入进行论点挖掘

    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

  • 事件时间关系抽取的深度结构神经网络

    本文提出了一种新的深度结构化学习框架，用于事件时间关系提取，其结构包括递归神经网络和结构化支持向量机，通过联合训练两部分模型，采用预训练上下文嵌入，证明了提出的模型的性能明显优于现有的方法，并提供了详尽的削减研究。

    Sep, 2019

  • 解析说服性论文中的论证结构

    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

  • 论证挖掘中关系预测的数据集无关基线集

    本文提出了一组数据集独立的强神经基线模型，可以有效地预测文本中的争议关系，这些基线模型可被用于比较各种方法在该任务上的表现。

    Feb, 2020

  • 社交讨论中的非监督式知识转移能否帮助论述挖掘？

    本研究提出了一种基于社交讨论的无监督学习策略，使用已预训练的语言模型，选择性地使用掩码语言模型任务进行微调，并引入了一种基于提示的策略，在将被提取的论点组件之间预测关系时支持上下文语境，此方法表现出了在本领域和跨领域数据集上超越了多个现有的和强基线模型的潜力。

    Mar, 2022

  • 一种自然语言中识别论证结构的双阶段方法

    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

  • 构建一个论证挖掘流程，将文本转化为论证图

    本文介绍了一种通用的应对于德语和英语文本自动提取出行文构成及关系的演绎方法，结果表明该方法可有效生成有助于检测行文中语句之间关联性的演绎图，评估基于已有基准演绎结构。

    Jun, 2020

  • 随机深度结构预测在语篇级别处理中的应用

    本文研究使用深度结构化预测和表达能力强的神经网络编码器针对涉及复杂论证结构的任务，探索随机推断的使用以提高计算效率。

    Jan, 2021

  • 使用基于注意力机制的神经网络从异构数据源中进行跨主题争论挖掘

    本文提出了一种新的句子注释方案，用于在任意网络文本上进行争议搜索的分析，得到的神经网络模型在准确度和 F1 分数上均优于传统的双向 LSTM 模型。

    Feb, 2018

  • 基于 Transformer 的自动辨识论述关系模型：跨领域评估

    该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

    Nov, 2020