ACLApr, 2022

文本蕴涵和软可传递性的蕴涵图学习

PDF
TL;DR本研究提出了一种名为 EGT2 的两级方法，通过识别由类型 CCG 解析谓词形成的模板句子之间的可能文本蕴含关系来学习局部蕴含关系，其依赖于三种新颖的软传递性约束来考虑蕴含结构中的逻辑传递性，实验证明此方法可以很好地模拟蕴含图中的传递性，从而减轻了蕴涵结构稀疏的问题，并显著提高了当前最先进方法的表现。
typed entailment graphstextual entailmenttransitivity constraintsentailment structuresstate-of-the-art methods
发现论文，激发创造
  • 从一而全：有谓语生成的类型债图构建

    本文提出了一种名为 Typed Predicate-Entailment Graph Generator (TP-EGG) 的多阶段方法，利用生成模型，不需要精心准备的语料库，发现并构建了谓词之间的蕴含关系，可以用于自然语言理解中的推理任务。

    Jun, 2023

  • EntailE: 建立在常识知识图谱完备性基础上的文本蕴含

    本文提出了一种采用文本蕴含来找到共享常识知识图谱节点之间的隐式蕴含关系的方法，以有效地增加相同概念类中节点之间连接的子图密度，从而提高 CSKG 完成任务的性能。

    Feb, 2024

  • 利用语言模型平滑蕴涵图

    该论文提出了一种新的图形平滑方法，使用语言模型来查找缺失谓词的最近近似值来解决自然语言推理中的顶点稀疏问题，以此提高绝对百分比点的回想，并与其他边缘稀疏改进产生补充作用，同时形式化了平滑符号推理方法的理论。

    Jul, 2022

  • 基于中文蕴涵图的跨语言推断

    本文提出了第一个构建中文蕴涵图的方法，其中包括一种新颖的高召回率开放关系抽取 (ORE) 方法和第一个基于 FIGER 类型本体的中文细粒度实体类型数据集。在 Levy-Holt 数据集上的实验中，我们验证了我们的中文蕴涵图的强大性，揭示了跨语言互补性，并证明了中英蕴涵图的集成优于单语言蕴涵图，并将无监督 SOTA 提高了 4.7 AUC 点。

    Mar, 2022

  • 多价蕴涵图用于问答

    本研究介绍了一种基于无监督学习的多元蕴含图方法，用来理解自然语言断言之间的关系，并在微观语义问答任务中展示了其性能。结果表明，多元蕴含图在细粒度语义问题上比双向相似性更有帮助，并且跨语言价位的证据对于回答问题比仅使用相同语言价证据更加有效。

    Apr, 2021

  • 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

  • SimTeG：一个令人沮丧却简单的方法，提升文本图学习能力

    利用简化且无创新的方法在下游任务上进行预训练语言模型的有监督参数高效微调，并生成节点嵌入以提高图形神经网络在多个图形基准上的性能。

    Aug, 2023

  • 结构化注意力与合成的文本蕴含

    本文研究了使用子树级别的 attention 模型进行文本蕴含任务，相比基于硬对齐和逻辑的传统模型具有更强鲁棒性和更高准确度，并且扩展 attention 模型到树节点可以更好地利用语法和递归信息提高准确度。

    Jan, 2017

  • 逻辑抗偏见：文字推断缓解刻板句子推理

    本文中，我们描述了几种针对不同社区的刻板印象，这些社区存在于受欢迎的句子表示模型（包括预训练的下个句子预测和对比句子表示模型）中。通过比较基于文本相似性的强预训练模型与学习语言逻辑的文本蕴涵模型，我们得出结论：与显式去偏见流程相比，使用文本蕴涵显式逻辑学习可以显著减少偏见并提高社区的识别。

    Mar, 2023

  • 利用自然推理证明确定语义文本相似性

    本文提出了一种通过将浅层特征和句子对之间的双向蕴涵关系的自然演绎证明的特征相结合的方法来确定语义文本相似度的方法，并使用 ccg2lambda 实现自动推理。实验表明，本方法能够超越其他逻辑方法，并且证明导出的特征对学习文本相似度很有效。

    Jul, 2017