Apr, 2022

重新审视 PDTB-3 中的浅层篇章分析：处理句内隐含内容

PDF
TL;DR本文主要研究 PDTB-3 中数千种隐含话语关系的识别，特别是在句内隐含话语关系的识别和确定，并提出了基于模型的解决方案，并在不同情形下验证了模型性能，指出了局限性并探讨了未来的研究方向。
pdtb-3implicit discourse relationsintra-sentential implicitsdiscourse parsermodel performance
发现论文，激发创造
  • 将隐含的话语关系识别扩展到 PDTB-3

    PDTB-3 增加了更多句子内隐含篇章关系的注释，同时有些隐含关系与显式篇章关系共存，这复杂化了隐含篇章关系的定位问题，但简化了其意义辨析问题，本研究提出了一种基于数据的方法来解决这个问题，这可作为未来隐含篇章关系识别的一种非常规的基准。

    Oct, 2020

  • 在段落中建模话语单元的相互依赖关系以提高隐含话语关系分类能力

    通过构建神经网络模型，模拟句子和段落之间的相互依赖和连续性，并能够连续预测段落中的语篇关系，从而提高隐含的语篇关系分类的效果，并在 PDTB 的基准语料库上取得了最佳性能。

    Apr, 2018

  • 探讨隐含语篇关系分类中词语和句子表征学习的重要性

    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

  • 一种基于 PDTB 风格的端到端语篇分析器

    我们开发了一种全面的 Penn Discourse Treebank 风格的语篇解析器，它可以识别所有的语篇和非语篇关系，标定它们的参数，并对它们进行关系分类，同时还可以确定适当的属性范围，我们从组件和错误级联的角度进行了综合评估。

    Nov, 2010

  • 基于标签增强的树形神经网络用于隐式话语关系分类

    本研究使用 Tree-LSTM 模型和 Tree-GRU 模型将句法分析树加入神经网络以编码关系中的参数，同时利用组成标记控制这些树状神经网络中的语义组合过程，实验结果表明我们的方法在 PDTB 语料库中达到了最先进的性能。

    Mar, 2018

  • 基于标注启发的隐式语篇关系分类及辅助语篇连词生成

    研究了如何在缺乏话语连词的情况下进行隐含话语关系分类，设计了一种神经网络模型，通过预测和生成连词来实现话语关系的分类。实验结果表明，在 PDTB 2.0，PDTB 3.0 和 PCC 三个数据集上，该模型明显优于其他基线模型，从而表明了该模型的长处。

    Jun, 2023

  • 使用跨语言明示技术获取已标注数据以进行隐含式话语关系分类

    本文针对在语篇分析中最具挑战性和重要性的隐式语篇关系分类任务，通过开发连接词，采用回译技术增加训练数据来提高任务的性能，论文探讨了如何有效地利用不同语言的多种翻译来改善附加数据的质量的问题。

    Aug, 2018

  • 通过多任务神经网络的隐式语篇关系分类

    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

  • 通过利用感知关系的层次结构促进话语关系意义的对比学习

    利用层次化结构和对比学习技术来提高隐式篇章关系识别的性能。

    Jan, 2023

  • 英语隐含语篇关系分类的 Transformer 之间的并排比较

    基于 PDTB-3 数据集，通过对七个预训练语言模型的直接性能比较，我们的模型搜索将 SOTA 提高到了 0.671 的准确率，同时得到了一些新的观察结果，其中包括相对于之前的报道（Shi 和 Demberg, 2019b），句子级预训练目标（NSP，SBO，SOP）通常无法产生最佳性能的模型。反直觉的是，具有类似规模的 MLM 和全关注机制的 PLM 表现更好。

    Jul, 2023