阅读理解中的隐含参数预测
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。
Jun, 2018
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
该论文提出了一种系统重建论据的方法,并在大规模集成式众包过程中实现了方法。该论文的目标是解决一个被称为 “论据推理理解任务” 的新挑战性任务,选择正确的隐式保证从两个选项中。使用了多种神经网络模型进行实验,但仍需要更好的模型来解决这个任务。
Aug, 2017
本篇论文通过在语义图中定义阶段和适应学习进展的提示模板,提出了一种基于课程学习的提示微调方法,结合预先训练的语言模型,解决了跨文本范围内的隐性事件参数提取问题,并在两个基准测试数据集中都表现优异。
May, 2022
本研究提出了一种基于路径的推理方法,用于多跳阅读理解任务,该方法结合了多个段落的事实来回答问题,并以 PathNet 模型为例,使用实体对表示方法从文本中提取隐含关系并编码路径。我们展示了该方法在多跳 Wikihop 数据集上的优异表现,并且可以推广到 OpenBookQA 数据集,达到最先进的性能水平。
Nov, 2018
本文提出了一种基于预测递归神经语义框架模型(PRNSFM)的隐含语义角色标注(iSRL)方法,利用大型未注释语料库来学习给定谓词的一系列语义论证的概率,同时通过 PRNSFM 预测的序列概率估计谓词及其参数的选择性偏好,并在 NomBank iSRL 测试集上实验验证此方法的最新状态 - of-the-art 表现优于以往方法,且依赖较少于手工构建的语言资源。
Apr, 2017
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
本文通过评估一系列计算方法在 2016 年美国总统辩论和在线评论等语料库上的表现,探讨了提取论证中问题、报告性陈述和祈使的内隐主张的计算方法的效用和局限性,为未来的论证挖掘和论证中这些修辞手法的语义研究提供帮助。
Oct, 2020
研究现代语言理解系统面临的一个重要挑战是回答隐含推理问题,本研究通过将推理步骤的推断与执行分离,探究当前模型为何难以应对隐含推理问答任务,并构建 IMPLICITRELATIONS 基准测试,评估 GPT-3 系列模型在任务上的表现,发现这些模型在隐含推理问答任务上表现不佳,但在推断隐含关系方面表现良好。这表明隐含推理问题的挑战不仅在于需要规划推理策略,而且在于在检索和推理相关信息的同时进行推理。
Apr, 2022