通过提取文本来生成短而连贯的理由 —— 根据规则确保足以做出准确预测的 —— 以代替不带理由的预测,该方法结合了生成器(分配文本碎片的候选理由)和编码器(用于预测)。从未给予判据,而是让模型符合对规则的要求。本文还在多方面情感分析和问题检索任务中成功验证了此方法。
Jun, 2016
本文提出了一种新的关系抽取框架 RE2,通过运用连续性和稀疏性因素来获取有关联且连贯的理由,从而解决了保留相关内容和移除噪声段落的难题。
May, 2023
提出一种自我解释模型 ConRAT,它从输入文本中提取概念,并使用关键概念的线性聚合来解释结果,以可解释性和预测性能方面超越了最先进的方法。
May, 2021
本研究提出了一种深度学习方法,利用单词级和句子级表示同时提取治疗和问题之间的关系,以用于医疗决策支持系统、安全监测和新治疗发现。通过深度学习和基于规则的模型的联合结果获得了最终的关联关系。该系统在 I2b2 2010 关系提取任务的关系类别上取得了有前途的表现。
Jun, 2018
本文提出了一种多阶段培训方法,将自我监督对比损失纳入其中,并证明可以帮助生成更多语义多样的理性化解释,从而改善了啤酒评论数据集的实验结果,并解决了互锁问题。
May, 2022
本研究提出了一种新型的框架,将模板检索和句子生成相结合,以处理普通和罕见异常情况,同时确保检测到的医学术语之间的语义一致性,该方法在两个医学报告基准测试上取得了明显的优势。
Jan, 2021
该文介绍了一种文本挖掘框架,利用 Named Entity Recognition 和 Relation Extraction 模型对医学文献和数字临床记录进行处理,取得优异的实验结果,并构建了一个生物医学知识图谱。系统使用 Spark NLP 库提供的生产级、可伸缩、硬件优化、可训练和可调整的 NLP 框架。
Dec, 2021
我们提出了一种可以推广的分类方法,利用大型语言模型(LLM)来侦测对话中隐含的社会意义。我们设计了一个多方面的提示来提取将可见线索与潜在社会意义相连接的推理的文本解释。这些提取的解释或理由作为对话文本的增强,以促进对话理解和转移。我们在 2340 个实验设置上的实证结果表明,添加这些理由具有显著的积极影响。我们的发现适用于领域内分类、零样本和少样本领域转移,对两个不同语料库涵盖的两个不同的社会意义检测任务也适用。
Jun, 2024
该篇研究探讨了关于 NLP 中的可解释性或解释性是如何应用在法律文本中的,为了更好的满足用户的需求,我们提出了一种基于段落的理由提取的方法,并引入了一个新的数据集,对已有的规则进行了研究和探究。结果表明,该任务非常具有挑战性并需要深入研究。
Mar, 2021
该研究探讨了自然语言理解中的可解释性问题,通过研究有理据的例子,并提出了一种能够联想标签和理由的度量方法,成功地验证了新的联合模型在生动文本解释方面的可信度。
Oct, 2020