EMNLPOct, 2020

QADiscourse -- 问答对应中的话语关系：表达，众包和基准

PDF
TL;DR本文提出了一种将话语关系表示为问答对的新方法，并通过易于理解的问答界面对其进行众包标注，从而创建了 QADiscourse 数据集，并提出了基于此数据集的话语关系预测算法。
discourse relationsnatural language understandingsemantic representationcrowd-sourcingqadiscourse dataset
发现论文，激发创造
  • 将注释者的不确定性融入到篇章关系的表达中

    对话语境及刚入门的注释者的不确定性是注释语篇关系的困难任务，我们通过计算包含置信度和对话语境信息的共现统计数据中的语篇关系的分布表示，并进行层次聚类分析，发现计算这些表示并赋予关于置信度和对话语境的信息能够连贯地模拟注释者对于语篇关系标签的不确定性。

    Aug, 2023

  • 众包问答语义表示

    本文介绍了问题 - 答案意义表示（QAMRs），并采用众包方案展示了 QAMRs 可以用非常少的训练进行标记，并收集了超过 5,000 个句子和 100,000 个问题的数据集。通过详细的定性分析，证明了众包生成的问题 - 答案对涵盖了现有数据集中绝大多数谓词 - 论元关系（包括 PropBank，NomBank，QA-SRL 和 AMR 等），以及许多先前资源匮乏的关系，包括隐含论元和关系。 QAMR 数据和注释代码公开提供，以便未来研究如何最好地对这些复杂现象进行建模。

    Nov, 2017

  • 自发对话中的对话关系分布

    时间压力和话题协商对人们在即兴对话环境中利用话语关系（DRs）存在限制。本研究使用初学者注释的众包数据，将一种面向书面语的 DR 系统适应到即兴对话中，并测试不同类型的多发话语环境中的话语关系使用情况。我们比较说话者内部和跨说话者以及连续回合内部和跨连续回合的 DR 注释模式。最终，我们发现不同的话语环境产生不同的话语关系分布，而单个回合的注释给注释者带来最大的不确定性。此外，我们发现话语关系注释的质量足以从话语单位的嵌入中进行预测。

    Jul, 2023

  • 使用问答对进行关系抽取的间接监督

    本篇论文介绍了一种基于 QA 数据集的间接标注来降低 DS 数据产生噪声的新方法 ReQuest，并使用学习到的嵌入估计测试关系提及的类型。实验结果在两个公共关系提取数据集上相结合以 TREC QA 数据集，F1 得分平均提高了 11％。

    Oct, 2017

  • 不同语篇注释框架之间的自动对齐

    利用标签锚定对比学习方法，通过学习标签嵌入来映射不同框架中的语篇关系。

    Mar, 2024

  • 实体增强的分布式语义在话语关系中的应用

    本文提出了一种计算分布式含义表示的方法来解决自动识别篇章关系的难题。我们通过结合句子的句法解析树，并使用一种新颖的向下组成算法，计算实体提及的含义表示。这种方法不仅可以预测句子间的篇章关系，还可以预测它们的指代实体提及之间的关系，并在 Penn Discourse Treebank 上取得了优越的表现。

    Dec, 2014

  • 话语理解：一种问答框架用于表示句子之间的联系

    本文提出了一种新的方法来收集关于新闻文件的提问，带有上下文关联且没有标注答案的开放性问题数据集 (DCQA)，并结合现有的问答资源进行了预训练，以有效帮助回答这类开放性问题。

    Nov, 2021

  • 面向开放域对话的隐含语篇关系识别

    本论文旨在设计用于开放领域对话系统的新型话语关系识别流水线，该流水线可以自动提取隐式话语关系参数对和标签，并通过削减特征和整合对话特征等方法来提高辨识度。论文使用对话转换数据集得到了独特的话语关系对语料库，首次尝试确定开放领域对话中连接对话转换的话语关系。

    Jul, 2019

  • DisSent: 显式语篇关系的句子表征学习

    利用依存分析和基于规则的指标，我们能够通过利用显式的篇章关系来筛选高质量的句子关系任务，从而得出高质量的句子嵌入向量及用作 BERT 等更大型模型的监督微调数据集。

    Oct, 2017

  • QASem 解析：基于 QA 语义的文本到文本建模

    该论文研究了使用问答的方式表示语义关系，并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型，并发布了具有实用性的 QASem 分析工具。

    May, 2022