Nov, 2018

利用 Seq2Seq 网络学习明确连接词以进行隐含篇章关系分类

PDF
TL;DR本文提出了一种新的模型，包含分类器、序列到序列模型以及一个记忆网络，针对隐式语篇关系分类进行研究，结合了 PDTB 语料库对暗示连接的注释，提出了一种针对语篇关系的有效编码方法，并在多个设置下优于现有最先进系统。
implicit discourse relation classificationdiscourse parsingsequence-to-sequence modelmemory networkpdtb corpus
发现论文，激发创造
  • 基于标注启发的隐式语篇关系分类及辅助语篇连词生成

    研究了如何在缺乏话语连词的情况下进行隐含话语关系分类，设计了一种神经网络模型，通过预测和生成连词来实现话语关系的分类。实验结果表明，在 PDTB 2.0，PDTB 3.0 和 PCC 三个数据集上，该模型明显优于其他基线模型，从而表明了该模型的长处。

    Jun, 2023

  • 利用接续词的对抗网络进行隐含语义关系分类

    本研究提出了一种基于特征模仿框架的暗示关系网络，通过建立对抗模型让其自适应提取类似显式关系中明显特征以提升分类性能，并在 PDTB 基准测试中取得了最优结果。

    Apr, 2017

  • 通过多任务神经网络的隐式语篇关系分类

    本文提出一个新的卷积神经网络嵌入多任务学习系统，用于综合 PDTB 语料库内多个特定于每个语料库的言语分类任务，并展示实验结果表明我们的模型可以显著提高 Implicit discourse relation classification 任务的性能。

    Mar, 2016

  • 探讨隐含语篇关系分类中词语和句子表征学习的重要性

    我们提出了一种将强大的上下文表示模块，双边多角度匹配模块和全局信息融合模块结合的新型模型，用于隐含语篇关系分类任务，并在 PDTB 数据集上比 BERT 和其他最先进系统的表现提高了约 8％，在 CoNLL 2016 数据集上提高了约 16％。我们还分析了不同模块在隐含语篇关系分类任务中的有效性，并展示了不同表示学习层次如何影响结果。

    Apr, 2020

  • 基于标签增强的树形神经网络用于隐式话语关系分类

    本研究使用 Tree-LSTM 模型和 Tree-GRU 模型将句法分析树加入神经网络以编码关系中的参数，同时利用组成标记控制这些树状神经网络中的语义组合过程，实验结果表明我们的方法在 PDTB 语料库中达到了最先进的性能。

    Mar, 2018

  • 使用跨语言明示技术获取已标注数据以进行隐含式话语关系分类

    本文针对在语篇分析中最具挑战性和重要性的隐式语篇关系分类任务，通过开发连接词，采用回译技术增加训练数据来提高任务的性能，论文探讨了如何有效地利用不同语言的多种翻译来改善附加数据的质量的问题。

    Aug, 2018

  • 什么导致显式到隐式篇章联系识别失败？

    我们的研究揭示了，关系分类器在去除连接词后通过明确的示例进行训练在隐含场景中表现不佳的原因之一是标签偏移。通过在语料库级别提供经验证据，我们证明了标签偏移的存在，并通过考虑连接词的句法角色、连接词的歧义性等因素，分析了标签偏移发生的原因。最后，我们研究了两种缓解标签偏移的策略：过滤噪声数据和与连接词的联合学习。在 PDTB 2.0、PDTB 3.0 和 GUM 数据集上的实验表明，使用我们的策略训练的分类器优于强基线模型。

    Apr, 2024

  • 在段落中建模话语单元的相互依赖关系以提高隐含话语关系分类能力

    通过构建神经网络模型，模拟句子和段落之间的相互依赖和连续性，并能够连续预测段落中的语篇关系，从而提高隐含的语篇关系分类的效果，并在 PDTB 的基准语料库上取得了最佳性能。

    Apr, 2018

  • 预训练的语句嵌入用于隐式语篇关系分类

    本文针对隐含的语篇关系进行了意义预测，利用预训练的句子嵌入作为神经网络基础表示，分别使用监督学习和预训练编码技术 - SkipThought，Sent2vec 和 Infersent 进行实验，并证实两种方法可以相互补充，结合模型可以显著提高模型性能。

    Oct, 2022

  • 基于提示的逻辑语义增强的隐含篇章关系识别

    通过 Prompt-based 连接词预测将与话语关系相关的知识无缝地注入到预训练语言模型中，提出了 Prompt-based Logical Semantics Enhancement（PLSE）方法，使其能够轻松获取逻辑语义的丰富特征，从而在话语关系识别方面取得了优异和一致的表现。

    Nov, 2023