ACLNov, 2019

多句话论点链接

PDF
TL;DR提出了一种新的文档级模型，用于找到填充事件角色的论点范围，在句子级语义角色标注和指代消解中连接相关思想。通过创建一个新的资源 Roles Across Multiple Sentences（RAMS），支持我们的神经模型的发展，该资源包含 139 种类型的 9,124 个注释事件。我们在 RAMS 和其他事件相关数据集上展示了我们的模型的强大性能。
argument spanssemantic role labelingcoreference resolutionneural modelrams
发现论文，激发创造
  • 提问和回答以提取事件论元结构

    本文提出了一种问答方法来提取文档级别的事件 - 论证结构，使用手动定义的模板和生成型 Transformer 自动生成问题，并使用数据增强策略和迁移学习提高抽取结果的准确性，同时对最佳模型的错误进行详细分析。

    Apr, 2024

  • 利用数据增强的方法进行法律文件的联合跨度分割和修辞角色标注

    本文研究了在法律文件中识别多句子共享同一修辞角色标签的跨度分割问题，使用了半马尔可夫条件随机场模型进行标签分类，辅助三种数据增强策略，通过实验证明了该方法在提升跨度级预测度量方面的优点，需要文件中具有多句子跨度。

    Feb, 2023

  • 序列跨文档指代消解

    本文提出一种将有效的顺序预测范例用于跨文档指代消解的新模型，通过增量式将提及点组合成集群表征，并预测提及点与已构建的集群之间的链接，近似高阶模型，既成为实体和事件指代消解领域中具有竞争力的解决方案，也提供了不同输入和表示类型在对指代消解过程中的重要性的新见解。

    Apr, 2021

  • 多任务和多语料训练策略以提高论证句连接性能

    本论文使用多任务和多语料训练策略改进了一种最先进的链接模型，较之前表现有显著提升；实验证明，使用这两个策略可将 F1-macro 值提高 15.8%，适用于英语作为外语学习者所写的文章。

    Sep, 2021

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • 重新审视跨文档实体和事件共指消解的联合建模

    本文提出了一种基于神经网络结构的跨文档匹配方法，能够有效地进行实体和事件的引用关系识别，其中考虑了实体和事件的上下文以及谓词 - 参数结构等因素。该方法在 ECB + 语料库上的表现优于之前的状态 - 最优事件 - coreference 模型，并提供了该语料库上的第一个实体 - coreference 结果。

    Jun, 2019

  • 基于 AMR 的文档级事件论元提取中的链路预测方法

    本文提出 Tailored AMR Graph (TAG) 的方法，并使用图神经网络作为链接预测模型来查找事件参数，实验结果表明，该简化方法在测试集 WikiEvents 和 RAMS 上分别优于当前最先进模型 3.63pt 和 2.33pt F1，且降低了 56％的推断时间。

    May, 2023

  • BERTering RAMS：BERT 模型已经掌握了多少事件参数知识？—— 以 RAMS 数据集为例

    使用注意力图探针框架，发现 BERT 模型对事件参数有良好的探测能力，并通过线性组合显著提高了某些角色的性能，尤其是在跨句子事件参数上表现更好。同时，通过提出的 NONCE 方法，可以验证单个最佳头部对词汇频率基础上的黄金参数和角色的关联是否具有鲁棒性。

    Oct, 2020

  • 神经语义角色标注中的谓词和论元联合预测

    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

  • 语义角色标注的跨度选择模型

    本研究提出基于跨度的语义角色标注模型，能够直接考虑所有可能的论元跨度并为每个标签评分，模型具有允许设计和使用跨度级特征的优点。实验结果显示，本研究的集成模型在 CoNLL-2005 和 2012 数据集上实现了最先进结果，分别为 87.4 F1 和 87.0 F1。

    Oct, 2018