本文提出了一种计算模型，该模型结合了微观层面和宏观层面的论证模型，基于 Rhetorical Structure Theory 利用上下文信息来预测关系，使用候选选择方法自动预测讨论中被其他参与者针对的论点，其结果优于最新的 state-of-the-art 方法。

Apr, 2020

基于生成式范式，本研究提出了一个统一的端到端框架，将论证结构构建为标签增强文本，称之为增强自然语言（ANL），并且通过探索不同类型标记的作用，将标记知识融入生成模型中，实现了与最新模型相媲美的成果并超过了几个基准结果。

Jun, 2024

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

提出了一种名为 AutoAM 的新型神经模型，用于解决争论挖掘的困难问题。该模型引入了争论组件注意机制，能更好地执行争论挖掘，是一种通用的端到端框架，可以分析无约束的争论结构，并在一个模型中完成争论挖掘的三个子任务。实验结果表明，该模型在两个公共数据集上的多个度量指标上优于现有工作。

Sep, 2023

通过比较深度学习模型在论证挖掘中的性能，本研究提出了一种基于 BERT 架构和 ChatGPT-4 的集成模型 (BERT+ChatGPT-4)，该模型在论证分类方面的表现优于其他基于 Transformer 和 LSTM 的模型，并为进一步提高论证分类模型和消除分类错误提供了重要的见解。

Mar, 2024

该研究创建了适用于跨语种论证挖掘的平行语料库，并比较了注释映射和基于双语词嵌入的直接转移策略，发现前者表现更好且几乎消除了跨语种传递的损失。

Jul, 2018

通过研究大规模语言模型在关系型争论挖掘中的应用，对比现有方法，发现大规模语言模型在支持与不同意关系的分类任务中表现优异。

Feb, 2024

这篇研究探讨了基于计算语言学的辩论挖掘的方法，通过适应实践数据中的辩论现象和创建一个新的标准语料库以及使用几种机器学习方法来识别辩论组件，证明了在用户生成的网络话语中进行辩论挖掘是可行的但具有挑战性的任务。

Jan, 2016

通过序列管道模型将学术论证挖掘中的 argumentative discourse unit recognition 和 argumentative relation extraction 组合起来， 并提出了预训练语言模型用于学术文本挖掘的方法，取得了新的最佳表现，并对数据注释方面的一致性进行了分析。

Oct, 2022

本文提出了一个全面而大型的数据集 IAM，旨在用于一系列论证挖掘任务。文集介绍了两个新的综合论证挖掘任务，即主张提取与立场分类（CESC）以及主张 - 证据对提取（CEPE）。实验结果表明了我们提出的任务的价值和挑战，并激励了论证挖掘领域的未来研究。

Mar, 2022