EMNLPApr, 2021

伪零代词消解改善零指代消解

PDF
TL;DR本研究提出两个新的建议，分别是在 MLMs 上使用含有显式监督的方法进行项链关系的预训练任务以及新的微调方法，实验证明这两个建议可以提升零指称解析的性能，同时揭示了其余挑战的新见解。
masked language modelszero anaphora resolutionpretraining taskanaphoric relationsfinetuning method
发现论文，激发创造
  • 生成和利用大规模伪训练数据进行零代词消解

    本文提出了一种自动生成大规模虚拟训练数据的方法，以解决零代词指代问题中标注数据不足的问题，并成功将阅读理解神经网络模型用于零代词指代问题，通过提出的两步训练机制在 OntoNotes 5.0 数据集上取得了显著的 3.1％ F-score 改进。

    Jun, 2016

  • 指代零代词数据增强方法

    本文使用五种数据增强方法自动生成和检测指代零代词，提高了两个针对阿拉伯语的零代词系统的性能，表现超越了现有的最先进技术，为自然语言处理研究提供了新的资源。

    Sep, 2021

  • 阿拉伯语中零指代和非零指代的联合共指消解

    本文提出了两种用于联合解析阿拉伯语中无指代的零代词和非零代词的架构，并在此基础上进行评估，同时创建了一个新版本的阿拉伯语子集的共指解析数据集。

    Oct, 2022

  • 一种集成零代词检测和解析的日语指代概率分析方法

    本文提出了一种分析日本指代语的方法，使用零代词（省略的必须格）来指代前一个实体（先行词），并整合两个概率参数，以在单一框架内执行零代词检测和消解。

    Jun, 2002

  • 深度强化学习用于中文零代词消解

    本研究采用深度强化学习模型，集成局部和全局决策，学习选择先前预测的先行词的策略，以在中文零代词消解中提高准确性。在 OntoNotes 5.0 数据集上的实验结果表明，本技术超过了最先进的模型。

    Jun, 2018

  • 针对日语零指代消解的上下文数据增强的实证研究

    本研究采用语境数据增强的方式解决了零代词消解技术中标注数据不足的问题，并提出了两种适用于零代词消解任务的数据增强方法。实验证明这些方法有助于提高准确性和降低计算成本。

    Nov, 2020

  • 学习两个任务的单模型：零代词预测与翻译

    本文提出了一种统一且考虑话语的零代词（Zero pronouns, ZPs）翻译方法，利用神经网络实现对 ZP 的预测和翻译，并采用分层神经网络来利用话语上下文，实验结果表明该方法在中英和日英语料数据上显著提高了机器翻译和 ZP 预测的准确性，尤其是缓解了主观 ZPs 带来的误差。

    Sep, 2019

  • 一个用于中文零代词消解的深度神经网络

    该研究提出了一种新的零代词特定神经网络，通过利用语义层面上的上下文信息来表示零代词，并使用两级候选人编码器来明确捕获候选人的本地和全局信息，实验结果表明，在各种实验设置中，我们的方法明显优于现有技术。

    Apr, 2016

  • 日英翻译的零代词数据增广

    本研究针对日英翻译中的零代词问题，提出了一种数据扩充方法来增强模型对局部文本和零代词之间的关联，实验证明该方法显著提高了在对话领域中零代词翻译的准确性。

    Jul, 2021

  • 大型语言模型是否具有鲁棒的零 - shot 指代消解能力？

    该论文探讨了使用预训练大型语言模型进行无监督共指消解的可行性，实验证明零样本提示优于当前的无监督共指系统，并展示了指令调整语言模型在领域适应、跨语言和跨时期方面的强大零样本泛化能力，以及高质量提及检测系统的重要性。

    May, 2023