隐含式篇章关系识别调查
本文提出了一种基于提示的路径预测方法来识别隐性的篇章关系,此方法利用了层级结构的信息并加以利用于预先训练好的语言模型中,从而在隐性篇章关系的识别上取得显著的性能提升。
May, 2023
通过 Prompt-based 连接词预测将与话语关系相关的知识无缝地注入到预训练语言模型中,提出了 Prompt-based Logical Semantics Enhancement(PLSE)方法,使其能够轻松获取逻辑语义的丰富特征,从而在话语关系识别方面取得了优异和一致的表现。
Nov, 2023
AdaptPrompt 是一种连续版本的提示学习方法,结合连接性知识蒸馏,在减少手动设计的同时进一步提高性能,采用了虚拟令牌、梯度搜索和答案关系映射等技术实现。
Sep, 2023
本论文旨在设计用于开放领域对话系统的新型话语关系识别流水线,该流水线可以自动提取隐式话语关系参数对和标签,并通过削减特征和整合对话特征等方法来提高辨识度。论文使用对话转换数据集得到了独特的话语关系对语料库,首次尝试确定开放领域对话中连接对话转换的话语关系。
Jul, 2019
本研究探讨了一种模型,利用包括字符,子词,单词,句子和句对级别的不同粒度的文本表示来更好地表示文本,该模型在隐含关系识别中取得了 48% 以上的最新成果。
Jul, 2018
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
探索利用连接词预测来解决隐含语篇关系识别 (IDRR) 的问题。该方法使用预训练模型,并利用连接词和语篇关系之间的强相关性来帮助模型识别隐含语篇关系,同时对于 fine-grained few-shot 语篇关系中取得了优异成果。
Oct, 2022
本文提出一个新的卷积神经网络嵌入多任务学习系统,用于综合 PDTB 语料库内多个特定于每个语料库的言语分类任务,并展示实验结果表明我们的模型可以显著提高 Implicit discourse relation classification 任务的性能。
Mar, 2016
该研究提出了一种称为 TEPrompt 的任务启示式预测学习模型,通过融合三个相关任务的学习特征来识别不明确文本间关系,实验结果表明,TEPrompt 在 IDRR 中表现优于 ConnPrompt,并且能够通过辅助任务的联合训练来提高决策特征和语言模型。
May, 2023