Mar, 2022

蕴含关系感知的释义生成

PDF
TL;DR这篇文章介绍了一种新的基于强化学习的弱监督的改述系统 ERAP，通过使用现有的改述和自然语言推理 (NLI) 语料库进行训练，可以生成符合给定蕴涵关系且质量良好的改述，经实验证明，使用 ERAP 来增强下游的文本蕴涵任务训练数据可以提高性能并减少训练异常，表明了在改述过程中显式控制的好处。
entailment relationparaphrase generationreinforcement learningnli corporatextual entailment
发现论文，激发创造
  • 分治法用于依存关系感知的多跳证据检索

    通过考虑多种相关性信号，我们将多跳问题回答的证据检索任务划分为两个子任务：语义文本相似度和推理相似度检索。我们提出了两种集成模型 EAR 和 EARnest，分别处理每个子任务，然后考虑不同的相关性信号对句子进行重新排序。在 HotpotQA 上的实验证明，我们的模型不仅显著优于基于单一检索模型，而且比两个直观的集成基准模型更有效。

    Nov, 2023

  • 弱监督下的选择性学习用于释义生成

    本文提出了利用元学习框架解决弱监督下的释义生成任务，并通过检索式的伪释义扩展获取大量弱标注平行句子，进而选择有价值的样本对预训练语言模型 BART 进行微调，从而生成高质量释义的方法，与目前的无监督学习方法相比具有显著的改进。

    Sep, 2021

  • 带检索增强条件提示调优的新颖性控制改写生成

    本文提出了参数效率的 Retrieval Augmented Prompt Tuning（RAPT）和使用专门的提示标记的 Novelty Conditioned RAPT（NC-RAPT）作为控制不同水平词汇新颖性的简单模型无关方法，通过在四个数据集上进行广泛实验，证明了所提出的方法在诱导语义内容的同时诱导词汇新颖性的有效性。

    Feb, 2022

  • 依存层面蕴涵在生成中的事实性评估

    本文提出了一种新的蕴含形式，即在依赖弧的级别上对其进行分解，以便更好地检测文本生成模型中的事实不一致性。实验证明，基于依赖弧的蕴含模型可以更好地识别重新表述和摘要中的事实不一致性，并在定位错误部分方面具有优势。

    Oct, 2020

  • 自然语言句子之间蕴含和矛盾关系的识别：一种神经符号方法

    提出了一个基于将文本转换为抽象意义表示（AMR）图的新型流水线，通过预训练的 AMR 解析器将 AMR 图转换为命题逻辑，并使用 SAT 求解器进行自动推理，引入了松弛方法以允许替换或遗忘某些命题。实验结果表明该流水线在四个 Recognizing Textual Entailment 数据集上表现良好。

    May, 2024

  • 偏执是强健的自学习者

    本研究设计了一种提示策略，将多个 NLU 任务作为上下文蕴含进行推断，并提出了简单伪标签编辑算法（SimPLE）以提高自我训练的伪标签质量，在二分类和多分类分类任务上进行的实验表明，自我训练蕴含模型在语言理解任务上比大型语言模型更有效和可信。

    May, 2023

  • 利用自然推理证明获取短语对应关系

    本研究提出一种通过语义关系自然推导证明来检测词组知识的方法，利用部分变量协同作图重构以及诱导意义呈现的子图对齐算法，可自动检测各种不存在于现有词组数据库的词组，进而提高了文本推理任务的准确率。

    Apr, 2018

  • 神经模糊逻辑下的弱监督可解释短语推理

    本文提出了一种可解释性的短语推理方法（EPR），通过无监督的逻辑推理来解释自然语言推理（NLI）模型。该模型使用深度学习模型来检测两个句子中对应的语义单元，并进行相应的逻辑推理，从而提高了模型的可解释性和可训练性。

    Sep, 2021

  • 基于文本推理的事件论元提取：多源学习实现零 - 和少样本

    本文通过使用预训练推理模型，将事件论元抽取等 NLP 任务转化为文本蕴涵任务，证明了文本蕴涵模型在复杂任务中同样有效，且可以大幅减少人工标注量和依赖于特定领域语料库的限制。使用多份蕴涵数据集来预训练模型是获得优异结果的关键。

    May, 2022

  • 纠缠关系：利用 NLI 和元分析增强生物医学关系提取

    MetaEntail-RE 是一种基于自然语言推理原理的关系抽取增强方法，通过引入元类分析、可行性假设过滤和基于群体的预测选择等关键改进，取得了显著的性能提升，并且在生物医学和常规领域均具有广泛应用价值。

    May, 2024