将动词表示为论元概念
通过研究基于人工神经网络编码的句子语境和词汇形态,本研究构建了五个数据集并测试了模型的可靠性,结果显示该方法对于某些动词变化是可行的,但对于其他动词变化则难以提取细粒度的字面信息。
Nov, 2018
本研究探讨了利用模型检查的方式研究抽象概念来简化 argumentation framework,这是解决动态 multi-agent 系统中的问题的一种方法。
Nov, 2022
本文讨论了动词在自然语言中的重要性,介绍了动词模式来表示动词的语义,提出了基于描述长度的非参数模型,并将其应用到上下文感知概念化中,证明了动词模式在语义相关任务中的高效性。
Oct, 2017
本研究提出了一个新的以动词为中心对比学习(Verb-Focused Contrastive,VFC)框架,以改善基于 CLIP 的视频语言模型的动词理解。该方法采用预训练的大型语言模型(LLMs)创建难样本进行跨模态对比学习,以及实施细粒度的动词短语对齐损失。该方法在三个下游任务上实现了零射击性能的最新成果,包括视频文本匹配、视频问答和视频分类。
Apr, 2023
本文关注计算机系统中动词的语义表示及其对机器翻译中词汇选择问题的影响,提出了一种新的表示模式,与基于知识的机器翻译方法(KBMT)密切相关,并可作为现有系统的一个独立组件。此方案表现出能够对不精确匹配的情况正确地进行词汇选择。
Jun, 1994
本文提出了一种基于概念的评估方法,通过探究一个系统在多个实例中应用给定概念的能力来评估。作者以 RAVEN 和 ARC 为例进行了案例研究。研究发现,这种基于概念的评估方法揭示了传统测试集所隐藏的 AI 系统的信息。
Jun, 2022
本研究探讨了轨迹(即物体位置和旋转随时间变化的道路)能否自然地编码动词语义,研究结果表明,轨迹本身与某些动词(如 fall)相关联,而通过自我监督预训练来进行进一步的抽象可以更好地捕捉动词含义上的细微差别(如 roll 与 slide)。
Jun, 2022