句子处理中的相对重要性
本研究提出一种基于自然语言推理和释义识别的模型训练方法,通过解释预测模型的预测结果,得到每个输入标记的重要性分数,并可以分析其语法特征,可用于识别训练中没有明确标记的句子中的重要单词。
May, 2023
本文介绍了一个用于人类对文学文本 (例如礼貌) 处理的眼动数据集 eyeStyliency, 并使用各种方法推导出收集的眼动数据中的样式显着性得分,研究人员探讨了眼动数据与人类注释和基于模型的重要性评分的关系,并发现引人注目的单词添加到提示中通常会提高风格分类的准确性,其中基于眼动和注释的显着单词的准确性最高。
Dec, 2022
本研究旨在研究事件显著性(重要性)并提出两个基于内容相似性和语篇关系的显著性检测模型,经测试,两种方法明显优于强频率基线,同时神经模型通过大幅提高基于特征的模型而进一步改善。
Sep, 2018
本文通过对 NLP 模型的神经语言进行全面的定量评估,从两个方面评价了预测解释的质量:可信度和可信度。通过评估,我们发现,如何在给定相同模型和预测时,不同的显着性方法经常在解释上产生分歧。作者建议部署此类方法到神经语言模型的未来工作,应该在得出结果之前仔细验证其解释。
Apr, 2021
通过研究人们在视觉设计中看和点击的位置,自动化模型预测数据可视化和图形设计中不同元素的相对重要性,并应用于自动设计重新定位和缩略图生成,并提供交互式设计工具,以提供设计过程中的即时反馈。
Aug, 2017
通过众包方法,我们提出了一种新的基于人类的自然语言处理(NLP)显著性方法评估方法,对七种显著性方法在两个数据集上进行了实证评估,与现有的自动评估方法进行了对比,发现了 NLP 和计算机视觉(CV)领域在使用显著性方法时存在显著差异。
May, 2024
本文提出了一种基于随机图的方法,用于计算自然语言处理中文本单元的相对重要性,并通过使用新方法 LexRank 进行文本自动摘要。实验结果表明,基于相似度图的按度数排序的方法优于其他方法。
Sep, 2011
本研究使用用户研究的方法,发现邻居词对于单个词的重要性评分有显著影响,且影响与邻居方向(左还是右)和短语相关程度等因素有关,这个结果提出了在文本说明里是否应该采用词级的显著性解释方法,为未来研究替代性显著性解释方法提供了参考。
May, 2023
本文提出了一种新的基准来评估神经网络模型和显著性方法的解释能力,其中包含英文和中文标注数据以及用于评估解释能力的标记。实验结果揭示了三种模型和三种显著性方法的解释能力的优劣,希望这个基准可以促进建立值得信赖的系统的研究。
May, 2022