EMNLPOct, 2020

多语言论点挖掘：数据集和分析

PDF
TL;DR本研究探索了利用多语言 BERT 模型进行传输学习，以识别非英语语言中的论证挖掘任务。结果表明，机器翻译的质量对于论点立场和证据检测任务而言很好，但对于论证质量评估任务来说则不太适合。研究还展示了语言选择和它们之间的关系对结果模型的准确性产生了影响，并提供了一个多语言的人工数据集，以方便进行传输学习的效果评估。
argument miningcomputational argumentationmultilingual bert modeltransfer learningmachine translation
发现论文，激发创造
  • 医学领域跨语言论证挖掘

    通过将英文数据翻译并投影到目标语言（西班牙语）的方法，我们有效地生成了无需手动干预的带注释数据，并证明了其优于使用大型屏蔽多语言语言模型的零 - shot 跨语言方法。同时，我们还展示了西班牙语中自动生成的数据如何用于改善英语评估设置中的结果。

    Jan, 2023

  • 跨语言论证挖掘：机器翻译 (和一点投影) 是你所需的一切！

    该研究创建了适用于跨语种论证挖掘的平行语料库，并比较了注释映射和基于双语词嵌入的直接转移策略，发现前者表现更好且几乎消除了跨语种传递的损失。

    Jul, 2018

  • RuArg-2022: 论点挖掘评估

    本文是 Dialogue 会议对针对新冠疫情（疫苗、隔离和戴口罩）话题的社交媒体评论进行第一次俄语言论分析系统及其竞赛的组织者报告，由 NLI 变体的 BERT 体系结构获胜，希望为俄文文本的论证挖掘研究提供帮助。

    Jun, 2022

  • 数据稀缺环境下的论证挖掘：跨语言传递和少样本技术

    针对论证挖掘中涉及长而复杂语篇结构的序列标注任务，本文在实证分析中表明先前关于跨语言迁移或少样本学习的观点不适用。与先前的研究相反，我们展示了在论证挖掘中，数据传递比模型迁移获得更好的结果，并且微调优于少样本方法。对于数据传递而言，数据集领域似乎是决定性因素，而对于少样本学习而言，任务类型（序列跨度的长度和复杂性）和采样方法被证明是至关重要的。

    Jul, 2024

  • NLAS-multi：多语言自动生成自然语言辩证方案的语料库

    本文提出解决论证挖掘、论证生成和自然语言论证分析领域中的主要限制的方法，包括自动生成不同主题和语言中自然语言论证的有效方法、最大的公开可用自然语言论证方案语料库以及用于自动识别论证方案的可靠基准和微调模型。

    Feb, 2024

  • 多任务学习提高深度论证挖掘模型性能

    该研究使用多任务学习方法将不同的论证挖掘任务相结合，利用语义和逻辑结构的相似性来提高性能，从而揭示了论证挖掘任务之间的共性，为文本中论证技巧的提取提供了整体方法。

    Jul, 2023

  • 利用领域预训练和神经网络增强法律论证挖掘

    本文对传统词嵌入模型与 BERT 模型在人权法庭裁决文本的法条分析任务中的表现进行了比较，实验证明领域特定的 BERT 模型有很大的潜力，而传统的词嵌入模型在与神经网络层结合后也能表现出很强的性能。

    Feb, 2022

  • 探索大型语言模型在计算论证中的潜力

    这项研究评估了大型语言模型在计算论证领域的表现，针对论证挖掘和论证生成等任务进行了零样本和少样本设定下的评估，并提出了 14 个公开数据集的标准化格式，以及一种新的针对反述生成的基准数据集，展示了大型语言模型在论证领域的良好性能，并指出评估计算论证的局限性和未来研究方向的建议。

    Nov, 2023

  • 基于 Transformer 的自动辨识论述关系模型：跨领域评估

    该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

    Nov, 2020

  • 你站在哪一边？一项用于端对端论点摘要和评估的多任务数据集

    通过引入一个涵盖辩论中各项任务的论证挖掘数据集，我们评估了多种生成基准模型，并发现虽然它们在个别任务上表现出有希望的结果，但在全部任务上的整体性能明显下降，这对于我们提出的数据集提出了挑战，需要进一步研究端到端的论证挖掘和概括。

    Jun, 2024