Apr, 2020

改写 vs 核对：同一枚硬币的两面

PDF
TL;DR本文探讨了两种语言处理任务的潜在协同作用：识别谓词释义和事件共指解析。作者通过使用事件共指数据集的注释来重新评分启发式抽取的谓词释义，实现了 18 个平均精度点的提升，并将同样的重新排序方法应用于事件共指解析模型中，进一步提高了模型的性能。研究结果揭示了一种有效的利用数据和模型相互受益的途径。
发现论文，激发创造
  • 并行数据有助于神经实体共指消解

    本文提出了一个简单而有效的跨语言理解模型来利用平行数据中的指代知识，该模型在 OntoNotes 5.0 英语数据集上使用 9 种不同的合成平行数据集实现了一致的提升，最高可达 1.74 个百分点。

    May, 2023

  • 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

  • 跨文档事件共指搜索：任务、数据集和建模

    本文探讨了跨文档指代消解任务的交叉文档指代搜索模型，通过适应深挖掘检索模型作为基准线，并结合强大的指代打分方案，来寻找在大型文档集合中与给定事件相关的所有指代消解，通过相应的数据集来支持这项任务的研究。

    Oct, 2022

  • 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

  • 任务导向的释义分析

    通过文献综述和提出分类法，本研究对 25 个已知的改写（子）任务进行整理和组织。使用分类器识别给定改写实例适用的任务，发现已知改写语料库中特定任务实例的分布差异很大。这意味着在没有明确定义相应改写条件的情况下使用这些语料库会导致不可比较和误导性的结果。

    Mar, 2024

  • 涉及争议政治事件的事件关联消解

    研究提供了一份跨来源、语言和国家的事件共参考数据集，并分析了多语言语料库的表现和贡献，发现近一半文档中的事件提及与其他事件提及共现，这不可避免地导致了错误或部分事件信息，事件核共参考可以帮助解决这一问题并减少错误。

    Mar, 2022

  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 文本丰富化的密集复述

    本文提出了 Dense Paraphrasing（DP）这一文本表征转化的过程，即通过对文本表达（词汇或词组）进行重写以减少歧义并使底层语义得到明确的阐述，从而改善推理和问答任务性能。同时，作者介绍了第一个完整的 DP 数据集及注释任务的范畴和设计，并通过实验取得了令人满意的结果。

    Oct, 2022

  • 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

  • $2 * n$ 更优于 $n^2$：将事件核指代消解分解为两个易处理问题

    本文提出了一种新的 Event Coreference Resolution（ECR）方法，通过词形匹配、过滤和平衡训练集等步骤，实现了对跨文档和同一文档内事件提及的链接，减少了计算需求，并在两个常用 ECR 数据集上获得了与当前先进水平相当的结果。

    May, 2023