面向控制的神经论点生成
该研究提出了一种基于编码器 - 解码器神经网络的论证生成模型,通过从维基百科检索外部证据来生成不同方面的论证,实验结果表明,我们的模型建立的论证比流行的序列生成模型更具有话题相关内容。
May, 2018
本文介绍了 ArgU:一种神经论证生成器,可从输入事实和世界真实概念中生成事实论据,并使用 Walton 的基于辩证方案的控制代码明确控制其立场和论证结构。此外,我们还发布了一个包括 69,428 个论据的注释语料库,跨足了六个话题和六个论证方案,并进一步进行了实验,以构建了一种推理策略,通过生成 “论证模板” 在实际论证生成之前生成,以展示使用基于辩证方案和立场的控制代码可以自动生成不同推理模式的多样化论据。
May, 2023
本论文提出了一种基于方面查询的定制摘要生成方法,使用多示例学习模型诱导的方面控制器创建 (review,summary) 对的合成训练数据集,通过微调预训练模型,生成修改方面控制器的方面特定摘要。在两个基准测试中,我们的模型表现优于先前的技术水平,并通过控制讨论的方面数量生成个性化摘要。
Sep, 2021
本文介绍了一个新的框架 CANDELA,用来解决针对特定问题的对抗论证自动生成,它包含了一个强大的检索系统和一个新型的双步骤生成模型,通过索引 1200 万文章并使用自然语言处理,使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估,该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。
Jun, 2019
对有争议问题的论述的计算处理在自然语言处理领域进行了广泛研究,其中论证质量评估是一个关键且具有挑战性的任务。本文提出了利用大型语言模型,通过系统指导其熟悉论证理论和场景以及解决相关问题的方式,以实现更可靠的论证质量评估,同时讨论了由此而产生的现实机遇和道德问题。
Mar, 2024
本文研究基于 NLP 和大量文本数据得到的自动化 argument mining,评估 argument 质量估计对于不同领域的通用性、与相关 argument mining 任务的相互作用以及情感对于观察到的 argument 强度的影响。作者发现不同领域的训练数据可以提高质量估计的泛化能力,在零样本迁移和多任务实验中,argument quality 在多个方面都能够得到改善,而情感对 argument quality 的影响不如人们普遍认为的那样大。
May, 2022
探索自动评估论点质量的任务,通过对 6.3k 个论点进行精细注释,以及 14k 个论点对的高品质论点独立标注,提出基于最近发布的语言模型的神经方法进行论点排序和论点对分类,产生与最先进技术相媲美的结果。
Sep, 2019
本文研究如何利用多任务学习来生成经过反驳的论点,并提出了一个基于立场分类的排名组件来选择最优的反驳。评估结果表明,该方法比强基线生成的反驳更相关且立场更明确。
Jan, 2023
本文提出了一种针对神经自回归语言模型的批判性思维课程的初步探索,为此我们介绍了一种综合语料库,并生成人工辩论文本进行训练和评估。结果显示,在核心辩论中进行预训练能够显著提高语言模型的推理能力。本文中介绍的人工辩论文本是构建 “语言模型的批判性思维课程” 的一个有前途的起点。
Sep, 2020
本研究提出了 ArgTersely 基准和 Arg-LlaMA 模型,使用基于 BERT 的 Arg-Judge 评估器进行了高质量句级反驳生成任务的实验,在与其他基线模型比较中展示了该框架和评估器的竞争力。
Dec, 2023