从零开始的 RST 语法分析
基于修辞结构理论的话语解析(RST-DP)探索了子句、句子和大文本跨度如何组成整个话语,并将修辞结构呈现为一个分层树。现有的 RST 解析流水线在构建修辞结构时缺乏对文档级内容结构的了解,导致在预测大文本跨度的话语关系时性能相对较低。为了识别高级内容相关信息在促进话语关系识别方面的价值,我们提出了一种新颖的 RST-DP 流水线,该流水线结合了从新闻话语建模任务中得出的具有结构意识的新闻内容句子表示。通过仅添加了少量的附加层,这个增强的流水线在各种 RST 解析指标上表现出了很有前景的性能。
Sep, 2023
本文描述了一种 RST 分割和解析系统,该系统可以快速、稳健地处理新闻文章或文章等短文档,并将各种先前工作的模型和特征集进行了适应,其准确性接近于最先进的水平。
May, 2015
本文提出了第一个用生成模型进行 RST 解析的文档级 RNN 语法,通过一种新的 beam search 算法,在而不展示左分支的偏差下,在未标注和标注的 F1 值上分别提高 6.8 和 2.9,超越了所有不使用额外训练数据的最新复制研究中发布的解析器,并且优于具有相同特征的判别模型 2.6F1 分。
Sep, 2019
研究了通过利用多语言向量表示和采用源内容的分段级别翻译建立神经交叉语言篇章分析器的两种方法,并表明这两种方法即使在有限的训练数据下也有效,并且在所有子任务上实现了跨语言、文档级的篇章分析性能。
Dec, 2020
本研究介绍了一种自上而下的话语分析方法,该方法的目标是将文档迭代地分段成个体话语单元,这种方法不仅消除了解码器,而且减少了划分点的搜索空间,同时使用了 LSTM 模型,在全指标下达到了最新的 RST 分析结果。
Feb, 2021
本文提出一个基于文档级别的多语言 RST 话语分析框架,该框架将 EDU 分割和话语树解析结合在一起,并且引入了跨语言翻译增强策略,以支持多语言解析并改善其领域通用性,实验结果表明,该模型在所有子任务中实现了文档级别多语言 RST 解析的最新性能。
Oct, 2021
使用神经框架和指针网络,基于 Rhetorical Structure Theory (RST) 的句子级别的语篇分析提出了一种高效的分析方法。基于分段器和分析器的性能表现显示出此方法具有优势且逼近人类认知水平。
May, 2019
本文提出一种基于自上而下的神经网络结构,将话语的分层结构解析为分裂点排序任务,并在英文 RST-DT 语料库和中文 CDTB 语料库上进行实验,证明了该方法在文本级语篇分析中的高效性。
May, 2020
本文针对英语 RST 话语树库,提出了跨语言话语分析方法,并在西班牙语、德语、巴斯克语、荷兰语和巴西葡萄牙语中实验。该方法简单易行且有效,可以帮助更好地理解文件中的信息流和论证结构。
Jan, 2017
利用 Rhetorical Structure Theory (RST) 树和关系对话语连贯性进行评估,表明在分类连贯性方面增加银标准 RST 特征可以提高准确性,我们开发了一个 tree-recursive neural model,即 RST-Recursive,利用了由最先进的 RST 解析器产生的文本 RST 特征。在 Grammarly Corpus for Discourse Coherence (GCDC) 上评估我们的方法,并展示了当与现有先进技术结合使用时,我们可以在此基准测试中实现新的技术水平的准确性。此外,单独部署时,RST-Recursive 具有竞争性的准确性,同时参数减少了 62%。
Sep, 2020