COLINGJun, 2018

端到端日语谓论结构分析中多谓词交互的无距离建模

PDF
TL;DR本研究提出了新的日语 PAS 分析模型，通过扩展标准的双向循环神经网络模型的输入和最后一层，结合多个 PAS 中的论元标签预测信息，使用池化和注意机制直接捕捉多个 PAS 之间的潜在相互作用，并成功地改善了间接依赖关系的情况下的预测准确性，并在标准的基准语料库上取得了新的最佳效果。
predicate-argument structuresjapanese pas analysisrecurrent neural networkpoolingattention
发现论文，激发创造
  • 神经对抗训练用于半监督日本语谓论结构分析

    提出了一种基于半监督对抗训练的新型日语谓词论元结构（PAS）分析模型，利用原始语料集以改进分析性能，实验证明其胜过现有最先进的分析模型。

    Jun, 2018

  • 重新审视本地模型在日语谓词 - 论元结构分析中的设计问题

    本研究证明，采用最新的特征嵌入方法和基于神经网络的特征组合学习，可以显著提高复杂本地模型的性能，超越现有领先的全局模型在普遍标准数据集上的 $F_1$ 性能表现。

    Oct, 2017

  • 日语谓词论元结构分析的多任务学习

    本文描述了一种基于多任务学习的方法，用于解决日语谓词论元结构分析（PASA）和事件名论元结构分析（ENASA）任务中的交互问题，并采用神经网络的方法在 ENASA 中取得了优越的性能表现。

    Apr, 2019

  • 神经语义角色标注中的谓词和论元联合预测

    本文提出一种全新的端到端方法，用于联合预测语义角色标签任务中的谓词、谓词指向的句子主语和宾语及它们之间的关系，并在 PropBank SRL 数据集上取得了最佳效果。

    May, 2018

  • 阅读理解中的隐含参数预测

    通过阅读理解、指针网络和多跳计算，提出了一种新的模型来预测隐式参数，该模型良好地完成了隐式参数预测任务。

    Nov, 2018

  • 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

  • QA Lab-PoliInfo-3 案例研究中的日本政治讨论参数挖掘级联模型

    该研究使用基于 BERT 模型的组合模式对预算论据进行分类和信息检索，其中手工规则用于确定是否为货币表达式。最终，通过对货币表达式进行分类，本文取得了最佳结果。

    Jul, 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

  • 基于神经网络的端到端计算性论证挖掘学习

    本文研究了神经技术在端到端的计算论证挖掘中的应用，将论证挖掘作为基于令牌的依赖解析和基于令牌序列标注的问题，包括多任务学习设置。研究发现，相比于在论证组件层次上操作的模型，将论证挖掘作为依赖解析的形式表现效果不佳；而基于双向长短时记忆网络的本地标注模型在分类场景下表现强劲，并能够捕捉到论证挖掘问题固有的远程依赖关系。另外，多任务学习可以改善模型表现。

    Apr, 2017

  • 语义角色标注遇上定义建模：利用自然语言描述谓词 - 论元结构

    本文提出了一种新的方法，利用定义建模来介绍一种广义的 SRL 形式，即使用自然语言定义而非离散标签来描述谓词论元结构。经过实验证明， 这种灵活的模型不会牺牲性能。

    Dec, 2022