ACLFeb, 2022

基于最优传输对比句子学习的可解释语义文本相似性研究

PDF
TL;DR本文提出一种用于优化句子相似性和解释句子相似性的对比学习框架 CLRCMD，该框架使用 RCMD 方法作为句对的相似度评估方式， RCMD 方法提出了一种通过语境化令牌距离加权和来描述句子距离的方法和解释句子相似性的方法。经过广泛的实验证明，本文所提出的方法在 STS 任务和可解释的 STS 任务上均优于其他基线模型。
发现论文，激发创造
  • 基于组合短语语义的无监督句子文本相似度

    本文针对各种领域但仅需要最少的数据和计算资源的无监督 STS 提出了一种轻量级的 Expectation-Correction (EC) 公式来计算 STS，此方法包括通过组合多个递归 EC 公式来捕捉组合短语语义的 Recursive Optimal Transport Similarity (ROTS) 算法，这比之前的方法更有效和可扩展，并通过对 29 个 STS 任务的详细消融研究证明了此方法的有效性。

    Oct, 2022

  • 从对话学习语义文本相似度

    本论文通过学习使用对话数据学习句子级语义相似性的新方法，利用无监督模型预测对话输入响应对以训练，导出的句子嵌入在语义文本相似性基准测试和 SemEval 2017 的 CQA 问题相似性子任务上表现良好。通过介绍同时进行对话输入响应预测任务和自然语言推理任务的多任务训练来进一步改善性能。广泛的实验显示，所提出的模型在 STS 基准测试中达到了所有神经模型中最佳性能，并且在两个任务中的工程特征和混合系统方面与最先进的混合系统竞争。

    Apr, 2018

  • 可解释的语义文本相似度：发现并解释句子之间的差异

    本文研究了在语义文本相似度（STS）的基础上添加可解释性层，通过分析句对之间的对齐关系，给出了一种可度量关系的方法。同时，作者提供了一个公共的数据集来评估系统性能，研究表明该方法可用于进行自然语言的解释并提高用户的接受度。

    Dec, 2016

  • 推进语义文本相似度建模：具有翻译 ReLU 和平滑 K2 损失的回归框架

    该论文介绍了一种创新的回归框架，并提出了两种简单而有效的损失函数：翻译 ReLU 和平滑的 K2 损失。实验分析表明，我们的方法在七个已建立的语义文本相似性基准中取得了令人信服的性能，尤其是在补充任务特定的训练数据的情况下。

    Jun, 2024

  • CSTS: 条件语义文本相似度

    通过提出一种新的条件语义文本相似度任务 (conditional STS，C-STS)，旨在找到一个针对性的自然语言条件方面来测量句子之间的相似度，可以减少 STS 的主观性和模糊性并利用多样的条件实现细粒度的相似度评估，并使用各种最先进的模型证明了 C-STS 的挑战性。

    May, 2023

  • 基于最优输运的学习字符表示对齐方法及其在字符串相似度计算中的应用

    该研究提出了一种基于深度学习的字符串相似度模型 STANCE，用于实现记录链接、实体解析和别名检测等任务，并在自行构建的五个别名检测数据集中展示了其性能优越性。

    Jul, 2019

  • 利用自注意矩阵提高词移距离

    本文提出一种基于 BERT 的自注意力矩阵和融合 Gromov-Wasserstein 距离的方法，用于计算两个句子之间的语义相似度，实验证明该方法可以在语义相似性和改进 WMD 方面表现优异。

    Nov, 2022

  • 使用 Siamese CNN 和 LSTM 预测语义文本相似性

    本文介绍了一种结合卷积神经网络和递归神经网络用于度量句子语义相似性的系统，使用卷积网络考虑单词的局部上下文和 LSTM 考虑句子的全局上下文，能够保留句子相关信息，并在句子相似性计算方面取得了良好的结果，具有和最优秀系统相竞争的优势。

    Oct, 2018

  • 无监督语义文本相似性的句子元嵌入

    本文介绍了如何通过将不同的预训练句子编码器组合成句子元嵌入来解决无监督的语义文本相似性（STS）任务，我们在句子级别应用、扩展和评估了来自单词嵌入文献的不同元嵌入方法，并在 STS 基准测试和 STS12-STS16 数据集上设置了新的无监督状态，平均提高了 3.7% 至 6.4% Pearson 的 r 值。

    Nov, 2019

  • SemEval-2017 任务 1：语义文本相似度 - 多语言和跨语言聚焦评估

    研究了句子的语义文本相似度，旨在评估现有模型的性能和限制，并提出一个新的 STS 基准用于对语义表示的研究。

    Jul, 2017