ACLApr, 2018

通过深入探究句间交互进行结束任务定向的文本蕴含

PDF
TL;DR该研究针对 SciTail 自然蕴含挑战，提出了 DEISTE 方法，该方法通过卷积来探索句子之间的相互作用，提高文本蕴含的准确性，实验结果表现优于其他同类方法。
scitailnatural entailmentdeistetextual entailmentquestion answering
发现论文，激发创造
  • 结构化注意力与合成的文本蕴含

    本文研究了使用子树级别的 attention 模型进行文本蕴含任务，相比基于硬对齐和逻辑的传统模型具有更强鲁棒性和更高准确度，并且扩展 attention 模型到树节点可以更好地利用语法和递归信息提高准确度。

    Jan, 2017

  • 通过语句组合搜索进行自然语言推理

    本文提出了一种基于自然语言的演绎推理系统，通过将任务分解为逐步协调的步骤，并由搜索程序生成中间结论的树，可以成功地证明真实的语句并拒绝虚假的语句。

    Jan, 2022

  • 多前提自然语言推理

    该论文定义了一项新的文本蕴含任务，要求对多个前提句子进行推断，提出了一个新的数据集来最小化平凡的词汇推理，强调对日常事件的知识，并为文本蕴含提出了一个更具挑战性的环境；同时评估了多种强力神经网络基线，并分析多个前提任务与标准文本含义的区别。

    Oct, 2017

  • 分治法用于依存关系感知的多跳证据检索

    通过考虑多种相关性信号，我们将多跳问题回答的证据检索任务划分为两个子任务：语义文本相似度和推理相似度检索。我们提出了两种集成模型 EAR 和 EARnest，分别处理每个子任务，然后考虑不同的相关性信号对句子进行重新排序。在 HotpotQA 上的实验证明，我们的模型不仅显著优于基于单一检索模型，而且比两个直观的集成基准模型更有效。

    Nov, 2023

  • 训练数据中的隐藏偏差对文本蕴涵识别性能的影响

    本文提出了一种新的方法来研究用于识别文本蕴含任务的大型语料库的质量，通过基于统计假设检验的方法，测试了斯坦福自然语言推理（SNLI）语料库的可预测性，结果表明该库存在隐藏的偏差，并呈现了此偏差对于 RTE 的 NN 模型性能的影响。

    Apr, 2018

  • DEIM：一种有效的句子匹配深度编码与交互模型

    通过深度编码和交互来提取深层语义信息的句子匹配方法，使用自注意机制和双向注意机制获得深层语义信息并进行分类，适用于文本蕴含识别、释义识别和答案选择，实验证明其可有效提取深层语义特征并验证其在句子匹配任务中的有效性。

    Mar, 2022

  • 利用非正式逻辑增强系统化分解的自然语言推理

    我们通过构建和评估直观的基于证明的文本蕴涵树，消除对脆弱形式逻辑的依赖，提出了一种一致且理论基础的方法来注释解构蕴涵的数据集，我们发现生成的 RDTE 数据集在内部一致性上比以前的数据集高出 9％，并且通过在现代神经符号推理引擎中使用 RDTE 导向的蕴涵分类器进行训练，显著提高了文本推理的结果（准确性和证明质量），说明了这一进展在实践中的益处。

    Feb, 2024

  • 如何解决 RTE5 文本蕴涵挑战所需知识？

    本文针对 20 个有趣的文本蕴涵识别 (RTE) 例子，从基于知识的视角进行分析，试图回答推断 T 是否蕴涵 H 所需的世界知识是什么。分析的重点放在 BLUE 系统未能正确回答并需要世界知识的例子上，这些例子通常在 T 和 H 之间有很高的语义和词汇重合度，并且大多数当前的 RTE 系统很难正确回答。

    Jun, 2018

  • 一项文本蕴含识别的自然语言处理评估调查

    本论文介绍了一种用于比较不同 NLP 系统语义理解能力的统一性评估框架 ——Recognizing Textual Entailment (RTE)，并提供了评估 NLP 系统推理能力的不同方法的概述，重点介绍了 RTE 数据集的特点及其最新研究进展，提出了利用注重特定语言现象的新引入的 RTE 数据集来评估 NLP 系统的建议。

    Oct, 2020

  • 使用蕴涵树解释答案

    通过生成包含多前提蕴含步骤（即知识事实到问题答案的中间推理结论）的蕴含树形式的解释，本研究提出第一个含有多步蕴含树的数据集 ENTAILMENTBANK，用于培训模型执行三项解释任务。结果表明，当输入包含相关句子时（例如，任务（a）的 35% 结果完美），强大的语言模型能部分地解决这些任务，并具有推广到其他领域的迹象。

    Apr, 2021