生物医学领域的共指消解:综述
本文探索了如何利用不同类型的知识图谱来更好地解决代词共参问题,并提出了一种知识注意力模块,以选择性地使用信息化知识来增强模型,实验结果表明,在不同领域的两个数据集上,我们的模型优于现有技术,并在跨领域的情况下也表现出更好的性能。
Jul, 2019
本文介绍了一个新的,包含孟加拉语文本核指标注的数据集 BenCoref,并对使用 BenCoref 训练的多种模型进行了评估。该文指出文本领域的变化对孟加拉语核指现象产生了影响,并强调了更多特定语言资源的需要。
Apr, 2023
本文认为使用 MRC 数据集评估 coreference reasoning 能力是有限的,提出了更能反映 coreference reasoning 挑战的 MRC 数据集构建方法,并使用先前 coreference resolution 数据集中的自然现象,展示了训练 MRC 模型的有效方式,并取得了 state-of-the-art models 的改进。
Dec, 2020
提出了一种基于谓词模式和受限优化框架的代表性算法,用于解决自然语言理解中的指称消解问题,特别是针对代词的困难实例。该算法通过无监督方式获取知识,编译自动约束,显著提高了 “Winograd-style” 难例的性能,并在标准指称消解数据集上表现出最先进的水平。
Jul, 2019
本文旨在从多个句子构成的文档中提取关系事实。通过使用异构图构建和核心指代消解处理,作者提出了一个基于图推理网络的注意指代消解的方法来增强语义信息和降低噪声,并在 DocRED,DialogRE 和 MPDD 三个公共数据集上进行了实验,证明其在文档关系抽取领域超越了目前最先进的技术水平。
Feb, 2022
研究提供了一份跨来源、语言和国家的事件共参考数据集,并分析了多语言语料库的表现和贡献,发现近一半文档中的事件提及与其他事件提及共现,这不可避免地导致了错误或部分事件信息,事件核共参考可以帮助解决这一问题并减少错误。
Mar, 2022