多文档摘要的抽象意义表示
研究了基于 Abstract Meaning Representation(AMR)的文本自动摘要方法,进行了全面的文本摘要流程探索,提出了一种 AMR 图的生成和基于此图的文本摘要生成方法,在 AMR 文本摘要任务上取得了最先进的结果,并指出了现有的文本摘要质量评估方法存在的问题。
Jun, 2017
本文提出了一种新颖的抽象摘要框架,利用意义表示(AMR)的树库进行研究。在该框架中,源文本被解析为一组 AMR 图,该图被转换为摘要图,然后从摘要图生成文本。我们专注于图形到图形的转换,该转换将源语义图减少为摘要图,并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。
May, 2018
本文提出一种新方法用于合并 Meaning Representation 图,并评估其效果,同时应用了人工注释数据集用于衡量不同 node 合并策略与内容筛选方法的性能,结果显示该新方法优于之前的工作。
Nov, 2021
本文提出了通过 Abstract Meaning Representation (AMR) 结合神经语言生成模型的抽象摘要方案,使用源文档进行指导可以提高抽象摘要的质量,并在 ROUGE-2 测试中表现优异。
Aug, 2018
本研究提出了一种新方法,使用抽象意义表示(AMR)来改善现有的多语言句子嵌入。研究表明,使用 AMR 可以提高多语言句子嵌入在语义相似性和转移任务上的性能。
Oct, 2022
本文介绍了一种简单的算法,可将超句级的共指标注转化为统一的图表达方式,避免了信息合并的信息损失和不协调的问题。通过改进 Smatch 度量方法,使其可以用于比较文档级别的图形,并用它来重新评估最佳发布的文档级 AMR 解析器,同时提供了一个将 AMR 解析器和共指消解系统相结合的管道方法,这为未来的研究提供了一个强大的基准。
Dec, 2021
本文提出了一种新方法,通过文本段的转换来生成 AMR 子图,从而提高 AMR 的 parsing 效果,进而提高自然语言处理和机器翻译等领域的性能表现。
Jun, 2015
我们介绍了 MASSIVE-AMR 数据集,它是迄今最大且最多样化的 AMR 数据集,包含超过 84,000 个文本到图形的注释,映射到 50 多种具有不同语言类型的信息寻求话语,并使用大型语言模型进行多语言 AMR 和 SPARQL 分析的实验,以及在知识库问答上应用 AMR 进行虚构检测的结果,对使用 LLMs 进行结构化分析的持续问题提供了一些启示。
May, 2024
本文提出了第一个为西班牙语创建的大型抽象意义表示注释语料库,利用了 AnCora-Net 词典中的西班牙语 rolesets,扩展了英语 AMR,其中包括 586 个带有语义特征的句子注释,为实现跨语言 AMR 分析提供了更全面的方法。
Apr, 2022
通过使用抽象意义表示(AMR)图构建对话中的语言要素和医学实体的图形表示,我们提出了一种模型病人和医疗专业人员之间对话的新框架,其中神经网络结合了文本和图形知识,采用双重注意机制,在医学对话生成方面的实验结果表明,我们的框架优于强基线模型,证明了 AMR 图在增强医学知识和逻辑关系的表示方面的有效性
Sep, 2023