AAAIApr, 2019

细粒度谏言单元识别和分类

PDF
TL;DR本文提出了 Argument Unit Recognition and Classification (AURC) 任务，通过 fine-grained sequence labeling 的方法识别不同来源中的 argument，并通过众包的方式进行标注，得到了 AURC-8 数据集，并发现相较于基于句子级别的标注方法，使用本文标注方法能够增加 15% 的 argument 数量。作者提出的方法比以往的方法更加鲁棒，并公开了代码和 AURC-8 数据集。
argument retrievalsequence labelingaurccrowdsourcingdataset
发现论文，激发创造
  • 基于记号的论点单元识别鲁棒性测试中的摄动和子群

    本文旨在识别和分类文本中的论证单位并将其归类为支持或反对。研究表明，基于 token 的模型可以比基于句子的模型更好地分类句子，所以本文复制并进一步探究了这一结论及其原因，并进行了系统测试以分析使用这两种模型的行为差异，结果表明使用基于 token 的模型通常比基于句子的模型更加健壮。

    Sep, 2022

  • 科学出版物上的全文论证挖掘

    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

  • 面向语料库的论点挖掘 —— 一种有效方案

    本文介绍了一个全面的、高精度的基于话语级查询的语料库广泛的 Argument Mining 系统，通过将适当索引的大型语料库上的句子级查询与迭代式注释方案结合起来，解决了数据中的固有标签偏差，标注手册所需的空间样本的区域，从而获得高精度的排名前几的候选项。

    Nov, 2019

  • ArgU: 可控的事实论证生成器

    本文介绍了 ArgU：一种神经论证生成器，可从输入事实和世界真实概念中生成事实论据，并使用 Walton 的基于辩证方案的控制代码明确控制其立场和论证结构。此外，我们还发布了一个包括 69,428 个论据的注释语料库，跨足了六个话题和六个论证方案，并进一步进行了实验，以构建了一种推理策略，通过生成 “论证模板” 在实际论证生成之前生成，以展示使用基于辩证方案和立场的控制代码可以自动生成不同推理模式的多样化论据。

    May, 2023

  • 自动语料库构建在学习者论证中的省略与重构检测中的应用

    该研究介绍了两个新学习者论证任务：识别论证中的缺陷（省略式推理检测）和填补这些缺陷（省略式推理重建）。通过从学习者的论证文本中删除对于论证和质量至关重要的论证单元（ADUs）的方法，我们创建了一个用于省略式推理检测和重建的语料库，以便帮助学习者提高其论证质量。同时，我们验证了所提出的语料库创建过程导致了所需的质量降低，并得到了与学习者撰写的论证类似自然的论证结果。最后，基线方法的省略式推理检测和重建表明了该语料库的实用性。

    Oct, 2023

  • 论证关系分析中内容与语境的解剖

    该研究论文指出通过遮盖文本本身，而只利用文本的上下文信息来分析争论单元所代表的争议关系的方法是不太可靠的。研究人员提出将争论单元与上下文分开，以更好地预测文档间的争论关系。

    Jun, 2019

  • 自动论证质量评估 -- 新数据集和方法

    探索自动评估论点质量的任务，通过对 6.3k 个论点进行精细注释，以及 14k 个论点对的高品质论点独立标注，提出基于最近发布的语言模型的神经方法进行论点排序和论点对分类，产生与最先进技术相媲美的结果。

    Sep, 2019

  • 利用检索、规划和实现的论点生成

    本文介绍了一个新的框架 CANDELA，用来解决针对特定问题的对抗论证自动生成，它包含了一个强大的检索系统和一个新型的双步骤生成模型，通过索引 1200 万文章并使用自然语言处理，使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估，该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。

    Jun, 2019

  • 理解和检测不同类型的支持性论据

    本研究介绍了如何利用 LambdaMART 排名算法和特征类型信息来检测来自相关文档的用户声明的句子级支持论点，实验结果表明使用特征类型信息的 LambdaMART 排名器优于没有使用类型信息的排名器。

    Apr, 2017

  • ARC 数据集中知识、推理和语境的系统分类

    本文提出了一套完整的科学问题解答所需的知识和推理类型定义方法，回答 ARC 数据集中的问题需要的标注信息分布和相关统计的分析，证明了人工选取的相关句子能够提高神经机器理解模型的 42 个百分点的性能。

    Jun, 2018