ACLMay, 2021

使用逻辑机制和论证方案分类论证关系

PDF
TL;DR本研究使用四种基于逻辑和理论的机制 (实际一致性、情感一致性、因果关系和规范关系) 对两个陈述之间的论证关系进行分类，证明有效地利用这些逻辑机制能够显着提高无监督贝叶斯分类器的性能，并且使用表示学习进一步改进了有监督的分类器。
发现论文，激发创造
  • 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

  • 辩论动态下的知识图谱推理

    通过辩论动态理论提出了一种自动推理知识图谱的新方法，以三段式分类为例，该方法基于增强学习代理和二进制分类器解释和预测关于知识图谱中观点真实性的辩论证据，从而可用于知识图谱的推理和链接预测，实验表明该方法优于其他基线模型。

    Jan, 2020

  • 论证挖掘中关系预测的数据集无关基线集

    本文提出了一组数据集独立的强神经基线模型，可以有效地预测文本中的争议关系，这些基线模型可被用于比较各种方法在该任务上的表现。

    Feb, 2020

  • 基于排名的逻辑论证的论证语义

    探索基于排名的语义在结构化论证中的应用行为，展示一类广泛用于排名的语义引发了所谓的可责任性度量，并且在论证构建方法的具体选择上相对稳定。

    Jul, 2023

  • 大型语言模型中的辩证推理

    评估当代大型语言模型（LLM）进行论证推理的能力，发现大语言模型在论证挖掘（AM）和论证对提取（APE）任务中表现出了能够匹配或超过最新技术的能力，但它们的论证推理性能非常依赖于输入和输出表示形式。

    Sep, 2023

  • 论证关系分析中内容与语境的解剖

    该研究论文指出通过遮盖文本本身，而只利用文本的上下文信息来分析争论单元所代表的争议关系的方法是不太可靠的。研究人员提出将争论单元与上下文分开，以更好地预测文档间的争论关系。

    Jun, 2019

  • 基于语言模型的案例推理在逻辑谬误分类中的应用

    提出了基于案例推理和语言建模技术的方法，探讨在检测 Web 上的逻辑谬误方面提高模型精确性和泛化能力的策略，并在实验中证实关键识别案例在模型精确性中具有重要作用。

    Jan, 2023

  • Schaefer 框架下基于逻辑的论证的参数化复杂度

    本文研究了关于逻辑基础论证的命题变体，分别探讨了 ARG、ARG-Check、ARG-Rel 等三种计算任务的参数化难度，并在 Schaefer 的框架下对问题进行结构参数分类，给出了各问题在参数化难度上的界限，其中一些情况具有极高的难度。

    Feb, 2021

  • 理解和检测不同类型的支持性论据

    本研究介绍了如何利用 LambdaMART 排名算法和特征类型信息来检测来自相关文档的用户声明的句子级支持论点，实验结果表明使用特征类型信息的 LambdaMART 排名器优于没有使用类型信息的排名器。

    Apr, 2017

  • 结构化支持向量机与循环神经网络在论点挖掘中的应用

    本研究提出了一种新的因子图模型，用于处理不一定形成树结构的文本论述关系，可以学习最基本的单元分类和论证关系预测，支持 SVM 和 RNN 参数化，可以强制执行结构约束并表示相邻关系和命题之间的依赖关系，并在网络评论和论辩文章数据集上优于非结构化基准线。

    Apr, 2017