ACLJun, 2021

探索论述结构用于论点影响分类

PDF
TL;DR本文提出 DisCOC 方法，通过注入和融合大规模语言模型派生的上下文化特征和句子结构语义信息，实现通过路径上的语篇结构确定辩论中有效干扰因素的目标。实验证明，显式建立上下文和文本之间的关系以及对上下文路径的话语结构进行建模都有助于提高 Durmus 等人（2019）提出的辩论结构分类任务的性能，并且在实验中人们可以进一步了解要分类的论点语境路径之间的语篇结构，从而提高分类性能。
discourse relationsargumentationdiscoclanguage modelscontext path
发现论文，激发创造
  • 论语用和篇章语境在确定论点影响力中的作用

    本研究提出了一個新的數據集，旨在研究論證時實際情境和語境對論據質量的影響，並提供整合了語境的預測模型，展示其在預測特定論證中所使用的論點對外界的影響時比僅依賴於論點語言特徵的模型更加準確。

    Apr, 2020

  • 探索论点结构在网络辩论说服中的作用

    本文提出了使用因子图模型来获取在线辩论平台上的论点结构特征，并将这些特征结合到基于 LSTM 的模型中，以预测哪位辩手的论点最有说服力。研究发现，在评估在线辩论中的论点说服力时，结合论点结构特征可以发挥重要作用。

    Oct, 2020

  • 什么改变了你的想法：动态话题和话语在论辩过程中的作用

    该研究提出了一种新的神经模型来动态跟踪论证对话中主题和话语变化对说服力的影响，并在社交媒体和最高法院的论证对话上进行了实验验证。实验结果表明该模型能够有效地辨别具有说服力的论证，并发现主题和话语对说服力都有帮助，但优秀的话语风格可能会在社交媒体争议中造成偏见。

    Feb, 2020

  • 将背景置于背景之中：讨论结构对文本分类的影响

    本研究提出了一种基于变换器模型的大型英文立场检测数据集上关于文本分类的一系列实验，评估了不同类型的上下文信息对准确性的贡献，结果表明结构信息在特定情况下对文本分类有很高的益处。

    Feb, 2024

  • 使用上下文表示改进话语依存分析

    本研究提出了一种基于 transformers 的新方法，通过对不同级别单元的上下文化表示进行编码，动态捕捉对话依赖分析所需的信息，并将对话关系识别视为序列标记任务

    May, 2022

  • 探讨隐含语篇关系分类中词语和句子表征学习的重要性

    我们提出了一种将强大的上下文表示模块，双边多角度匹配模块和全局信息融合模块结合的新型模型，用于隐含语篇关系分类任务，并在 PDTB 数据集上比 BERT 和其他最先进系统的表现提高了约 8％，在 CoNLL 2016 数据集上提高了约 16％。我们还分析了不同模块在隐含语篇关系分类任务中的有效性，并展示了不同表示学习层次如何影响结果。

    Apr, 2020

  • 在段落中建模话语单元的相互依赖关系以提高隐含话语关系分类能力

    通过构建神经网络模型，模拟句子和段落之间的相互依赖和连续性，并能够连续预测段落中的语篇关系，从而提高隐含的语篇关系分类的效果，并在 PDTB 的基准语料库上取得了最佳性能。

    Apr, 2018

  • 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

  • 话语结构中的潜在主题和语篇共同作用：谁回应了谁

    本研究旨在探索话语连贯中回应关系的一般性结构，并提出一种学习潜在议题和话语结构的模型，通过利用主题一致性和话语依存来预测发起 - 回应联系，实验结果表明，我们的模型在中文客服对话等任务上表现显著优于之前的方法。

    Apr, 2021

  • 不同语篇注释框架之间的自动对齐

    利用标签锚定对比学习方法，通过学习标签嵌入来映射不同框架中的语篇关系。

    Mar, 2024