AAAINov, 2019

填补对话省略以提高社交对话理解能力

PDF
TL;DR本论文提出了一种用于解决社交对话中省略现象的方法，通过使用端到端指针网络模型对用户发言进行补全，结合原始发言和自动补全发言来进行对话行为预测和语义角色标注任务。该方法在社交对话中分别将对话行为预测和语义角色标注的 F1 分数提高了 1.3% 和 2.5%。同时，我们提供了一个包含手动完成用户发言和手动完成后的语义角色标注的开放域人机对话数据集。
ellipsislanguage understandingdialog act predictionsemantic role labelingend-to-end pointer network model
发现论文，激发创造
  • 对话问答中省略和指代检测的主动学习和多标签分类

    本文提出了一种基于 DistilBERT 的多标签分类器，在有限的标记数据上采用多标签分类和主动学习来检测对话问答中省略和共指的现象，大大提高了分类器的性能。

    Jul, 2022

  • 省略消解作为问答评估

    提出了一种基于问题回答 (QA) 架构的英语省略解析替代方法，单任务模型表现优于现有技术且与辅助 QA 和指代消解数据集联合训练的模型可以高效解决 Sluice Ellipsis 和 Verb Phrase Ellipsis 等英语省略现象 (效衡值从 70.00 提升至 86.01 和从 72.89 提升至 78.66)。

    Aug, 2019

  • 通过沟通游戏学习自动完成系统

    通过提取自然语言的关键字，我们提出了一种无监督的文本自动完成方法，以权衡任务的效率、准确性和人类可读性，并呈现出在给定效率水平下比其他基线更准确的自动完成系统。

    Nov, 2019

  • INSET: 使用 Inter-SEntential Transformer 进行句子填充

    本文提出了一个基于 BERT 和 GPT-2 的框架，通过将缺失句子生成任务拆分成三个方面的处理来解决此问题 —— 语义理解，篇章规划和生成，并在实验证明了我们的模型在学习句子表示和生成缺失句子方面的有效性。

    Nov, 2019

  • CREAD: 对话中椭圆和指代的联合解析

    本研究提出一种新颖的联合学习框架，用于解决复杂的多轮对话理解中的指代消解和查询重写，通过在进行中的对话中预测查询和对话上下文之间的指代链，并生成自包含的重写查询，可显著提高查询重写的性能，并在数据集 MuDoCo 上优于最先进的指代解析模型。

    May, 2021

  • 基于语义分割的未完整话语改写

    本研究提出一种将不完整话语改写问题表述成语义分割问题，通过预测单词级别的编辑矩阵来引入编辑操作，能够捕捉到局部和全局信息，取得了多个公共数据集上的最新成果。此外，我们的方法在推理中比标准方法快四倍。

    Sep, 2020

  • 让语言模型填充空白

    本文提出一种名为 Infilling by Language Modeling 的文本补全方法，它采用了一个预训练的语言模型来预测文档中的任意位置缺失的文本，并在短篇小说、科学摘要和歌词三种不同领域有效地补全整个句子。研究结果显示，采用这种方法补全的句子很难被人识别为机器生成，适用于辅助写作工具。

    May, 2020

  • 文本填充

    本文研究了文本生成和填充相关的问题，设计并实现了一种基于自注意力和双向上下文建模的模型，并通过有监督的学习方法进行了实验验证。结果表明，该模型在文本填充任务上表现出色，为未来的相关研究提供了强有力的基线。

    Jan, 2019

  • 填充物对话语文本表示的重要性

    本文研究填充语在口语理解任务中的作用，并探究其通过深度上下文嵌入的代表性，以及在模拟口语和预测发言者立场和表达信心等两个下游任务中的应用表现。

    Sep, 2020

  • 对话摘要中省略理解研究

    该论文提出了一个带有省略标签的高质量数据集，用于对话摘要中的省略检测，研究发现，通过提供省略标签，可以实现摘要模型中省略信息的恢复，从而显著提高摘要质量，因此提出一个省略检测任务，基于该数据集支持该任务的训练和评估，同时呼吁基于该数据集进行的省略检测研究。

    Nov, 2022