EMNLPAug, 2019

保持冷静，开启交流！在语义文本交换中保留情感和流畅度

PDF
TL;DR本文提出了一种称为语义文本交换的可度量调整文本语义而仍保持其情感和流畅性的新方法，其对于文本数据扩增和纠错聊天机器人和虚拟助手生成的文本非常有用，提出一种名为 SMERTI 的管道，该管道结合实体替换、相似度掩蔽和文本补充的技术，通过衡量管道的 “语义文本交换得分”（STES）的性能来评估其成功性，同时提出使用掩蔽（替换）率阈值作为可调参数以控制文本中语义变化的程度。实验证明， SMERTI 可以在 Yelp 点评、Amazon 点评和新闻标题等方面优于基准模型。
semantic text exchangetext data augmentationchatbotsvirtual assistantssmerti
发现论文，激发创造
  • 自适应掩蔽生成情感转移

    本文提出了一种基于 AM-ST 模型的情感转移方法，通过学习任务相关的蒙版参数，使用注意力机制和情感感知掩膜语言模型来捕捉多级语义并填充蒙版空白位置，实验结果表明，本文提出的方法优于现有方法。

    Feb, 2023

  • 可解释的语义文本相似度：发现并解释句子之间的差异

    本文研究了在语义文本相似度（STS）的基础上添加可解释性层，通过分析句对之间的对齐关系，给出了一种可度量关系的方法。同时，作者提供了一个公共的数据集来评估系统性能，研究表明该方法可用于进行自然语言的解释并提高用户的接受度。

    Dec, 2016

  • 推进语义文本相似度建模：具有翻译 ReLU 和平滑 K2 损失的回归框架

    该论文介绍了一种创新的回归框架，并提出了两种简单而有效的损失函数：翻译 ReLU 和平滑的 K2 损失。实验分析表明，我们的方法在七个已建立的语义文本相似性基准中取得了令人信服的性能，尤其是在补充任务特定的训练数据的情况下。

    Jun, 2024

  • 非平行文本转换的无监督评估指标和学习标准

    该研究提出了一种自动生成文本释义并修改其属性或属性的方法，解决了 “无对照数据” 的问题，利用多种模型进行实验并给出新的损失函数和训练策略，提高了语义保留和流畅度，该方法能够显著提高基准方法。

    Oct, 2018

  • 风格转移和改写：寻找合理的语义相似性度量

    本文分析了超过十余种测量两个短文本的语义相似性的方法，并使用一个新的标记为语义相似性的 14,000 句子数据集证明文献中使用的这些度量标准都不能够足够接近人的判断。虽然有一些最近提出的度量标准提供了具有可比性的结果，但 Word Mover Distance 被证明是目前测量改写文本的语义相似性的最合理的解决方案。

    Apr, 2020

  • 从对话学习语义文本相似度

    本论文通过学习使用对话数据学习句子级语义相似性的新方法，利用无监督模型预测对话输入响应对以训练，导出的句子嵌入在语义文本相似性基准测试和 SemEval 2017 的 CQA 问题相似性子任务上表现良好。通过介绍同时进行对话输入响应预测任务和自然语言推理任务的多任务训练来进一步改善性能。广泛的实验显示，所提出的模型在 STS 基准测试中达到了所有神经模型中最佳性能，并且在两个任务中的工程特征和混合系统方面与最先进的混合系统竞争。

    Apr, 2018

  • 始终牢记目标：研究语义并提高神经词汇替换的性能

    本文比较了多种词汇替换方法，使用包括 context2vec、ELMo、BERT、RoBERTa、XLNet 等在内的多种语言模型，并证明注入目标词信息后，能够进一步显著提高现有最佳语言模型的结果。作者还分析了不同模型或注释者给出的目标词和替代词之间的语义关系类型。

    Jun, 2022

  • SentiCSE：一种基于情感的对比句嵌入框架，配备情感引导的文本相似度

    该研究提出了 Sentiment-guided Textual Similarity (SgTS) 方法来评估情感表示的质量，然后通过结合词级和句级目标的 Sentiment-aware Contrastive Sentence Embedding (SentiCSE) 框架构建情感表示，并展示了其在情感分析任务中的优越性能。

    Apr, 2024

  • 实体级文本引导图像操作

    本文提出了基于文本指导的实体级别真实世界图像操纵方法 SeMani，通过语义对齐和图像操纵两个阶段，使用离散自回归生成和扩散模型连续去噪生成开发了两个版本的生成过程，对 CUB，Oxford 和 COCO 数据集进行了实验验证。

    Feb, 2023

  • 提升 Transformer 架构在语义文本相似性方面的性能

    本文针对语义文本相似度的任务，采用 BERT、RoBERTa 和 DeBERTaV3 三种交叉编码器以二分类或回归的方式建模，调整了模型结构和手工特征的输入，旨在提高其准确性，其中就测试数据结果的讨论进行了误差分析。

    Jun, 2023