ACLJun, 2019

EditNTS: 通过显式编辑的句子简化神经程序解释器模型

PDF
TL;DR这篇论文介绍了第一个基于神经程序解释器方法实现显式编辑操作（添加、删除和保留）的句子简化模型。与旧有的序列到序列机器翻译方法不同，该方法直接训练预测输入句子的目标部分的显式编辑操作，表现大幅度优于先前的最先进的神经句子简化模型，在人类评价方面也得到了肯定。
发现论文，激发创造
  • 记忆增强神经网络的句子简化

    本文旨在借助神经机器翻译中的一种新方法 —— 神经语义编码器，对句子简化这一任务进行了研究，实验结果表明，该方法在不同简化数据集上的自动评估措施和人工评估方面都表现出了显著的效果。

    Apr, 2018

  • 迭代编辑型无监督句子简化

    我们提出了一种新的迭代式基于编辑的无监督句子简化方法，其模型通过包括流畅性、简洁性和意义保持在内的评分函数进行指导，并在复杂句子上迭代执行单词和短语级别的编辑。与之前的方法相比，我们的模型不需要并行的训练集，但更可控和可解释。对 Newsela 和 WikiLarge 数据集的实验表明，我们的方法几乎与最先进的监督方法一样有效。

    Jun, 2020

  • 一种用于句子简化的受限序列到序列神经模型

    通过结合单词级和句子级的简化方法，本研究提出了一个两步简化框架，并利用约束神经生成模型的方法对简化后的单词进行句子简化，取得了比各种基线模型更好的性能表现。

    Apr, 2017

  • QuickEdit: 通过划掉单词进行文本和翻译编辑

    提出了一个计算机辅助文本编辑的框架，通过神经序列到序列建模和引入一个以输入句子和更改标记为输入的神经网络来解决翻译后编辑和改写问题，并通过用户研究评估了该模型的效果。

    Nov, 2017

  • 通过自然语言交互纠正语义解析错误

    该研究通过 NL-EDIT 模型演示自然语言反馈的交互过程中，对语义解析的一次修正可以将现有文本到 SQL 解析器的准确性提高 20％，并分析该模型的局限性并讨论改进和评估方向。

    Mar, 2021

  • 明确的复述控制文本简化

    提出了一种新型的混合方法，它结合了基于语言学的分裂和删除规则以及神经语言转换模型来进行不同的简化操作，并通过引入新的数据增强方法来提高模型的语言转换能力。通过自动和手动评估，证明该模型在对比现有系统时，产生了更多的语言转换，并且可以控制所应用的每个简化操作的程度。

    Oct, 2020

  • 学习表示编辑

    本文研究分布式表征编辑的问题，并将神经编辑器与编辑编码器结合起来，可以学习表示编辑的重要信息，并用于将编辑应用于新输入。我们在自然语言和源代码编辑数据上进行实验，结果表明我们的神经网络模型学习捕捉了编辑的结构和语义。希望这个有趣的任务和数据源能够激发其他研究者进一步研究这一问题。

    Oct, 2018

  • 利用语义和神经方法实现简单有效的文本简化

    本论文提出了一种基于自动语义分析器的简单有效的句子分割算法，并通过神经机器翻译进行进一步微调的简化操作，其中采用语义分析为基础的分割方式可以有效地解决以往机器翻译的过于保守的问题，经过广泛的自动化和人工评估，该方法在词汇和结构简化方面表现优异。

    Oct, 2018

  • 利用编辑操作的端到端神经句子简化

    通过句子级和标记级损失权重，使用自然语言处理模型对生物医学文本进行自动简化，以实现更接近人工注释者创建的简化文本的编辑距离，语言简约度和编辑数量。

    Nov, 2023

  • 使用神经程序员学习自然语言界面

    本文提出一种利用弱监督下的神经网络模型来实现自然语言到程序的转换，并应用于自然语言问答数据集上，可达到与传统自然语言语义分析器相当的精度。

    Nov, 2016