ACLApr, 2019

新闻到医学：跨领域话语分割

PDF
TL;DR本文介绍了对英语医学语料库进行话语分析的第一步，将其划分为不同段落，并研究训练好的分段器在医学领域中的表现。虽然表现有所下降，但错误类型表明一些问题可以在更早的步骤中解决，而另一些问题则需要扩大语料库以学习医学领域的细微差别。
discourse analysismedical corpussegmentation errorstrainable sizemedical domain
发现论文，激发创造
  • 跨语言与跨领域的整个文档语篇切分

    该文章介绍了基于统计方法的语篇分割器，可用于五种语言和三个领域中，无需事先标注的数据，并且提供了有监督和无监督学习的结果。

    Apr, 2017

  • 跨片段关注的文本分割

    本研究提出三种基于 Transformer 的架构，并在三个标准数据集上进行全面比较，建立了一个新的最先进水平，在所有情况下特别是大幅减少了误差率。研究还分析了模型大小，并发现能够构建具有更少参数但保持良好性能的模型，从而促进了实际应用。

    Apr, 2020

  • 通过领域整合来提高多方对话语篇分析

    本文介绍了一种 Transformer 模型，可以应用于多方对话语篇分析，并结合三种方法，实现跨领域数据泛化，以提高神经网络解析器在跨域对话样本中的表现。

    Oct, 2021

  • 注入话语依赖性以提高主题分割

    我们提出了一种注入了句际依赖结构的话语感知神经主题分割模型，以更好地利用句子之间的主题一致性进行主题边界分割预测，并在英文评估数据集上进行实证研究表明，我们的策略显著提高了神经主题分割器在域内和域外数据上的性能。

    Sep, 2022

  • 快速且准确的神经话语分割

    本文提出一种基于 BiLSTM-CRF 框架的端到端神经分割器，为了提高其准确性，我们解决了数据不足的问题，并使用自我注意机制捕捉了有用的邻域信息，实验结果表明，我们的模型在达到新的最佳性能的同时，比以前的方法快得多。

    Aug, 2018

  • 野外话题分割：面向半结构化和非结构化聊天分割

    本文在分析当前 NLP 中的主题分割模型的通用性能力时，发现在处理非结构化文本时，预训练策略并没有提高模型在该领域的可迁移性，只用一个相对较小的与目标结构相同的训练集从头开始训练模型，可以显著改善分类结果...

    Nov, 2022

  • 语言模型在半结构化和非结构化对话数据集中的主题分割

    我们综合分析了现有的最先进主题分割模型在非结构化文本上的泛化能力，并发现充分训练目标非结构化领域的相对较小规模数据集可以显著提高分割结果。在对非结构化和半结构化聊天进行分割时，我们的实证评估表明，Focal Loss 函数是交叉熵和加权交叉熵损失函数的一个强大的替代方案。

    Oct, 2023

  • 将科学摘要分成话语类别：一种基于深度学习的稀疏标记数据方法

    运用迁移学习，我们在计算机科学领域使用深度神经网络模型训练出三个共性的学术论文段落开头，分别是 BACKGROUND、TECHNIQUE 和 OBSERVATION，用以进行抽象语段级别的分割，并取得了 75% 的准确度。

    May, 2020

  • 人类可以辨识域名吗？

    通过训练分类器来执行相同任务，我们发现不确定性也延伸到了自然语言处理模型中，表明尽管在处理自然语言时领域广泛存在，但人们对其定义却没有共识。

    Apr, 2024

  • 基于意图的分割：人类可靠性与语言线索的相关性

    本研究通过人类对自然讲话文本的分段来评估语篇分割与三种语言线索（指代名词短语，提示词和停顿）之间的关联性，并使用信息检索度量对其进行量化分析。

    May, 1994