利用外部检索证据增强的神经论证生成
本文介绍了一个新的框架 CANDELA,用来解决针对特定问题的对抗论证自动生成,它包含了一个强大的检索系统和一个新型的双步骤生成模型,通过索引 1200 万文章并使用自然语言处理,使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估,该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。
Jun, 2019
本文提出了一种混合方法,通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论,并获得了有前途的结果,这为自然语言论证的自动分析开辟了新的研究方向。
Mar, 2022
本文研究基于 NLP 和大量文本数据得到的自动化 argument mining,评估 argument 质量估计对于不同领域的通用性、与相关 argument mining 任务的相互作用以及情感对于观察到的 argument 强度的影响。作者发现不同领域的训练数据可以提高质量估计的泛化能力,在零样本迁移和多任务实验中,argument quality 在多个方面都能够得到改善,而情感对 argument quality 的影响不如人们普遍认为的那样大。
May, 2022
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
本文研究如何利用多任务学习来生成经过反驳的论点,并提出了一个基于立场分类的排名组件来选择最优的反驳。评估结果表明,该方法比强基线生成的反驳更相关且立场更明确。
Jan, 2023
本文揭示出 BERT 在 Argument Reasoning Comprehension Task 上表现出色的原因并构建了一个更具有鲁棒性的对抗数据集以评估论证理解。
Jul, 2019
提出了一种基于上下文知识的新颖的 SPARK 方法,使用大型语言模型评估和增强语言质量,提供反馈,推断隐藏假设,提供同等质量的论证或反论证,并使用双编码器 Transformer 架构共同考虑原始论证及其增强,实验结果表明,SPARK 在多个指标上始终优于基线。
May, 2023