COLINGNov, 2020

荷兰小说和新闻中基于规则和神经网络的指代消解基准测试

PDF
TL;DR本研究在荷兰文学小说和新闻 / 维基百科文本领域评估了基于规则 (Lee 等人，2013) 和基于神经网络 (Lee 等人，2018) 的共指系统。结果揭示了数据驱动和知识驱动系统的相对优势，以及领域、文档长度和注释方案的影响。神经系统在新闻 / 维基百科文本上表现最佳，而规则系统在文学方面表现最佳。
发现论文，激发创造
  • 基于 Actor-Critic 学习的混合规则 - 神经共引消解系统

    本文提出了基于演员 - 评论家学习的混合规则 - 神经共指消解系统，它通过利用启发式规则和神经共指消解模型的优点来实现更好的共指性能。此端到端系统还可以通过使用联合训练算法执行提及检测和消解，并使用 BERT 模型生成输入跨度表示。我们的模型在 CoNLL-2012 Shared Task 英文测试集上使用 BERT 跨度表示实现了最新的最佳性能。

    Dec, 2022

  • 非神经模型也很重要：对神经指代表达生成系统的重新评估

    本文旨在在生成语言上考虑基于非神经网络模型的表现，以推广广义的自然语言生成技术，并在针对两个数据集的实验中发现，某些任务使用非神经网络模型能够比神经模型获得更好的性能。

    Mar, 2022

  • 端到端神经指代消解再探：一个简单且有效的基准线

    本文介绍了一个基于 Transformer 预训练语言模型的简单而有效的代替神经指代消解模型的 baseline，证明合理简化已有模型可以取得与复杂模型相媲美的性能表现。

    Jul, 2021

  • 使用共指的多提及推理神经模型

    本文提出了一种针对 NLP 中需要汇总来自远处的同一实体的信息的情况的循环层，该层使用外部系统提取的指代注释连接属于同一簇的实体提及，并将其合并到最先进的阅读理解模型中，从而改善了 Wikihop、LAMBADA 和 bAbi 人工智能任务的性能，并且可在数据稀缺时获得大的收益。

    Apr, 2018

  • 基于规则和机器学习方法的荷兰临床文本否定词检测评估

    比较了三种荷兰临床笔记中否定检测的方法，并发现基于 biLSTM 模型和 RoBERTa 模型的检测系统精准度更高，可以在临床信息检索和决策支持系统中用于标签提取。

    Sep, 2022

  • 端到端神经共指消解

    本文介绍了第一个端到端的共指消解模型，并展示了它在不使用句法分析器或手工制作的提及检测器的情况下，明显优于所有以前的工作。模型的关键思想是直接将文档中的所有跨度作为可能的提及，并学习每个可能的先行词的分布。模型计算跨度嵌入，将依赖于上下文的边界表示与定位注意机制相结合。它被训练成最大化核对聚类中的黄金先行跨度的边际可能性，并分解以便于对可能存在的提及进行积极修剪。实验表明，尽管这是第一个成功训练不使用外部资源的方法，它仍可以在 OntoNotes 基准测试上获得 1.5 F1 分数的增益，并使用 5 个模型集合获得 3.1 F1 分数的提升。

    Jul, 2017

  • 基于多任务学习的神经桥接参考解析

    我们提出了一种基于多任务学习的神经模型，用于解决桥接参照的问题，解决了缺乏大型标注数据集和不同语料库之间定义不同的挑战，通过使用多任务学习和语料库无关特征实现了很高的性能。

    Mar, 2020

  • 从 OntoNotes 开始迁移的共指消解模型

    本文探讨基于单个数据集训练的核心参考消解（Coreference resolution，COREF）学术神经模型的可迁移性，通过评估在多个包含不同注释指南和领域的数据集上的表现来建立新的性能基准。

    Apr, 2021

  • 多语言指代消解共享任务的发现

    本文概述了 CRAC 2022 研讨会上多语种共指消解任务的概况，采用公共数据集 CorefUD 1.0 为训练和评估数据，使用 CoNLL 得分作为主要评估指标，并比较了多个系统和竞争基线系统，获胜者系统的表现优于竞争基线 12 个百分点。

    Sep, 2022

  • 知识感知代词指代消解

    本文探索了如何利用不同类型的知识图谱来更好地解决代词共参问题，并提出了一种知识注意力模块，以选择性地使用信息化知识来增强模型，实验结果表明，在不同领域的两个数据集上，我们的模型优于现有技术，并在跨领域的情况下也表现出更好的性能。

    Jul, 2019