ACLJun, 2020

迭代编辑型无监督句子简化

PDF
TL;DR我们提出了一种新的迭代式基于编辑的无监督句子简化方法，其模型通过包括流畅性、简洁性和意义保持在内的评分函数进行指导，并在复杂句子上迭代执行单词和短语级别的编辑。与之前的方法相比，我们的模型不需要并行的训练集，但更可控和可解释。对 Newsela 和 WikiLarge 数据集的实验表明，我们的方法几乎与最先进的监督方法一样有效。
unsupervised sentence simplificationscoring functionword and phrase-level editscontrollable and interpretablestate-of-the-art
发现论文，激发创造
  • 基于深度语义学习的非监督句子简化

    本研究提出了一种新颖的句子简化方法，使用基于语义的方法进行句子拆分，不需要手动编写规则或训练语料库，研究表明这个无监督框架与四个最先进的监督系统竞争力相当，并且我们提出的基于语义的方法能够有效地处理句子拆分。

    Jul, 2015

  • 一种用于句子简化的受限序列到序列神经模型

    通过结合单词级和句子级的简化方法，本研究提出了一个两步简化框架，并利用约束神经生成模型的方法对简化后的单词进行句子简化，取得了比各种基线模型更好的性能表现。

    Apr, 2017

  • 无监督神经文本简化

    本文提出了第一次尝试仅依赖于未标记文本语料库进行无监督神经文本简化的核心框架，由共享编码器和一对注意解码器组成，并通过基于鉴别和去噪的损失进行简化知识的获取，并使用从 en-Wikipedia 转储的未标记文本进行训练。我们在公共测试数据上进行的分析（包括定量和定性的人类评估）表明，所提出的模型可以在词汇和句法两个级别上进行文本简化，竞争现有的监督方法。此外，增加几个标记的对也进一步提高了性能。

    Oct, 2018

  • GRS: 无监督句子简化中生成和修订的结合

    提出了 GRS 方法：一种结合文本生成和文本修订的无监督句子简化方法，包括显式编辑操作和释义作为新的编辑操作，相比现有方法在 Newsela 和 ASSET 数据集上展示了控制性和可解释性的优势。

    Mar, 2022

  • 基于依赖解析的无监督句子简化

    该论文介绍了一种基于自然语言解析结构和句子嵌入的简化系统，其能进行高效修改以简化句子，同时维持原始句子的语义和流畅度，达到了相当不错的简化效果，并证明其在多语言领域也具备扩展性。

    Jun, 2022

  • 为简单起见：从维基百科中无监督地提取词汇简化

    研究利用 Simple English Wikipedia 编辑历史信息提取词汇简化，通过编辑模型与元数据两个方法，发现这两种方法的效果均优于基准结果，并能产生高质量的词汇简化。

    Aug, 2010

  • EditNTS: 通过显式编辑的句子简化神经程序解释器模型

    这篇论文介绍了第一个基于神经程序解释器方法实现显式编辑操作（添加、删除和保留）的句子简化模型。与旧有的序列到序列机器翻译方法不同，该方法直接训练预测输入句子的目标部分的显式编辑操作，表现大幅度优于先前的最先进的神经句子简化模型，在人类评价方面也得到了肯定。

    Jun, 2019

  • 将复杂句子转换为语义层级

    该研究提出了一种递归分割和重述复杂英语句子的方法，生成简化句子的新语义层级结构，可用于机器翻译或信息提取等人工智能任务，手动和自动评估都表明该方法在结构文本简化方面表现优于现有技术，并用于近似 346% 精度和 52% 召回率地改良现有句子提取系统的性能。

    Jun, 2019

  • 句子简化的动态多层多任务学习

    本文提出了一种基于序列到序列的句子简化模型，通过多任务学习及时改进其包含性和释义能力。文章还介绍了一种新的多层软共享方法，以及一种动态学习的多臂赌博机训练方法，实验结果表明我们的模型在语义相关任务上的表现优于竞争模型。

    Jun, 2018

  • 句子简化的复杂度加权损失和多样化重排

    通过对序列到序列模型进行改进，将单词难度、生成多样性等因素纳入损失函数并在测试时使用多个简化候选项进行筛选、排序，成功提高了句子简化的质量，并取得了与最先进系统相媲美的自动化和人工评估成果。

    Apr, 2019