Dec, 2019

使用数据增强的多级联模型提升短文本复述检测

PDF
TL;DR本研究提出了一种基于数据增强的多重级联模型，用于改进短文本的对应检测，并在三个基准数据集上进行了评估和表现验证。
paraphrase detectiondata augmentationmulti-cascaded modelcnnlstm
发现论文，激发创造
  • 短文本消息中的释义检测深度网络模型

    本文探讨在自然语言处理上的同义词检测，基于深度学习的方法结合卷积神经网络和长短时记忆网络有效解决了用户生成的短文本同义词检测上的挑战，取得了优越表现。

    Dec, 2017

  • 分析梗圖文本的說服策略：語言模型與改寫增強的融合

    本研究旨在通过改进模型训练方法和研究平衡与非平衡的训练数据集的影响，提高在迷因文本中多种具有说服力的技术的有效识别和分类。结果表明，使用释义进行训练可以提高模型性能，而平衡的训练集比较大但不平衡的训练集更有优势。

    Jul, 2024

  • 利用释义生成快速启动对话系统

    该研究提出了一种基于改写生成的方法，可以减少创建新对话代理所需要的时间和成本，同时提高其性能，使其能够实际与真实用户进行交互。实验证明该方法提高了意图分类模型的泛化能力，有助于在组织范围内规模化部署这项技术。

    Apr, 2022

  • 使用释义生成和实体提取的数据增强方法以用于多模态对话系统

    研究了应用数据增强和改进 NLU 模型对于在基于游戏学习场景中帮助儿童学习数学基本概念的多模式对话系统的有效性，得到了使用小型数据集进行 MITL 策略下的改写的良好表现。

    May, 2022

  • 改写可以躲避 AI 生成文本的检测，但究竟能否防御检索攻击？

    通过语义相似的生成物和检测算法，该研究提出了一种简单的防御，以增加对 AI 生成文本的检测器对抗改写攻击的鲁棒性。

    Mar, 2023

  • ProtAugment：用于意图检测元学习的无监督多样短文本改写

    本文提出一种名为 ProtAugment 的元学习算法，通过多样的重述技巧限制 Prototypical Networks 在每个元学习 episode 中受到的少样本分类目标带来的偏差，无需额外标注数据或在特定应用领域上微调条件语言模型即可成为当前意图检测元学习中最先进的方法。

    May, 2021

  • 一个用于释义生成的深度生成框架

    本篇论文研究了一种使用深度生成模型（VAE）与序列到序列模型（LSTM）相结合的方法来自动生成给定句子的同义句，相对于现有方法具有更好的性能和简洁的模块化结构。

    Sep, 2017

  • 具境语境的数据增强：使用词形关系进行数据增强

    本文介绍了一种新的数据增强技术 —— 上下文增强，使用双向语言模型预测单词位置上各个单词，将其替换为预测出的单词增强原句子，同时使用带标签的模型改进以确保模型增强句子不破坏标签状态，并在六种不同的文本分类任务中实验证明该方法可以改善基于卷积或循环神经网络的分类器。

    May, 2018

  • 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

  • 学习将句子改写为不同复杂程度

    本论文研究句子简化，提出了两个新的无监督数据集用于训练模型，并通过多任务和提示策略在大语言模型下进行实验，取得了最新的性能成果。

    Aug, 2023