May, 2022

使用多层网络的科学学术文本量化话语连贯性分析

PDF
TL;DR本文介绍了使用多层网络表达和量化科学学术文本中的话语连贯性来分析文本的写作质量，并设计了用以评估文本中词汇连贯性的分段和整篇指标，并提出了 CHIAA（CHeck It Again，Author）框架来指导作者提高写作质量，最后通过例子展示了该框架的有效性。
发现论文，激发创造
  • 自动一致性评估的新型计算和建模基础

    该论文提出了一种正式和计算的口头表达的一致性的设置和评估方法，该方法通过联合训练多种任务的模型，在评估一致性的各个任务上表现出更好的性能，为大规模自动评估一致性提供了坚实的基础。

    Oct, 2023

  • 一种用于连贯性建模的多任务学习方法

    本研究提出一种层次神经网络模型，通过多任务学习，同时预测文档层次的信息连贯得分和词级别的语法角色，利用两个任务之间的归纳转移，提高模型泛化能力，并在不同任务中达到了新的最优表现。

    Jul, 2019

  • 文档级神经机器翻译的话语衔接评估

    该研究提出了一种文档的连贯性评估方法（DCoEM），在考虑了四种连贯方式（参考，连词，替换和词汇连贯）的情况下，为测量文档翻译的连贯性做出贡献，并通过最近的文档级 NMT 系统的评估结果表明我们的方法在评估文档级翻译方面是实用和必要的。

    Aug, 2022

  • 长篇科学文档的基于话语的无监督摘要

    本文提出了一种基于无监督的基于图的排名模型，用于提取科学文献的摘要。我们的方法假定源文档采用两级分层图表示，并利用不对称的位置提示来确定句子的重要性。在 PubMed 和 arXiv 数据集上的结果表明，我们的方法在自动指标和人工评价方面优于强无监督基线。此外，其性能与许多基于监督学习的方法相当。这些结果表明，篇章结构中的模式是确定科学文章重要性的强有力信号。

    May, 2020

  • CoheSentia：生成文本中增量与整体一致性评估的新型基准

    自然语言处理中自动生成文本的一致性评估和分析的新基准，旨在发展更可靠的一致性评估方法。

    Oct, 2023

  • 科学文献摘要的对比分层话语图

    本文提出了 CHANGES，一种对比层次图神经网络，用于科学论文自动摘要。CHANGES 使用分层对话图表示科学论文，并通过专门设计的分层图信息聚合学习有效的句子表示。我们还提出了图对比学习模块，以学习全局主题感知的句子表示。在 PubMed 和 arXiv 基准数据集上的广泛实验证明了 CHANGES 的有效性以及捕捉分层结构信息在科学论文建模中的重要性。

    May, 2023

  • 朝向连贯且凝聚的长文本生成

    本文提出了一种新的神经语言模型，它具备两个神经鉴别器，可以在句子层面（内聚性）和段落层面（连贯性）提供反馈信号，并且使用了一种称为负关键序列训练的简单而有效的策略梯度方法进行训练。结果表明，相对于基线（基于双向 MLE 训练的复发关注神经语言模型），我们的方法有效改善了模型表现。

    Nov, 2018

  • 开放领域话语连贯性的神经网络模型

    本研究提出了一种无域限制的神经模型，可用于度量多个方面的连贯性，并能在生成新语句时保持连贯性，该模型包括区分性模型和生成性模型，以及一种新的基于神经潜变量马尔科夫生成模型，可捕获文本中句子之间的隐含连贯性依赖关系，并在多个连贯性评估方面取得了最先进的表现，为处理语篇上下文生成连贯性文本迈出了一步。

    Jun, 2016

  • 利用话语奖励进行文档级神经机器翻译

    本文提出了一种基于强化学习目标的训练方法，明确优化词汇凝聚力和连贯性两个学术界公认的话语质量指标，实现了在不牺牲翻译忠实度的前提下，比其他竞争性方法更有效地提高了多语种、多领域文档翻译的凝聚和连贯性。在中英语言对中，词汇凝聚力和连贯性分别提高了 2.46 和 1.17 个百分点，BLEU 分数和 F_BERT 分数分别提高了 0.63 和 0.47 个百分点。

    Oct, 2020

  • 结构度量解锁：引入 PDD，一种用于位置语篇连贯性的自动度量

    提出一种新的，用于量化两篇长篇文章之间的话语分歧的自动度量标准，该指标在代表性领域的三个数据集上进行了广泛的实验，证明与人类的偏好和 GPT-4 的连贯性评估更加一致，并且胜过了现有的评估方法。

    Feb, 2024