May, 2022

对话处理的在线共指消解：提高即时对话中的提及链接

PDF
TL;DR本文提出了一种针对在线解码的指代消解方向，其针对包含对话在内的实时生成输入的场景，在每个对话轮次上，该模型接受一个话语和其过去的语境，然后查找当前话语中的提及以及它们的指代。该文章提出了基线和四个增量更新的模型，适应于提到链接范式的新设置，其中包括单一实例、说话人定位编码和跨轮次提及的情境化。在 Friends、OntoNotes 和 BOLT 这三个数据集上评估我们的方法，结果表明每个方面都带来了稳定的改进，我们最好的模型比基线高出 10％以上，是这个场景的一个有效系统。进一步分析突出了任务特点，例如解决提及回忆的重要性。
coreference resolutiondialoguemention-linking paradigmencodingcontextualization
发现论文，激发创造
  • 端到端神经共指消解

    本文介绍了第一个端到端的共指消解模型，并展示了它在不使用句法分析器或手工制作的提及检测器的情况下，明显优于所有以前的工作。模型的关键思想是直接将文档中的所有跨度作为可能的提及，并学习每个可能的先行词的分布。模型计算跨度嵌入，将依赖于上下文的边界表示与定位注意机制相结合。它被训练成最大化核对聚类中的黄金先行跨度的边际可能性，并分解以便于对可能存在的提及进行积极修剪。实验表明，尽管这是第一个成功训练不使用外部资源的方法，它仍可以在 OntoNotes 基准测试上获得 1.5 F1 分数的增益，并使用 5 个模型集合获得 3.1 F1 分数的提升。

    Jul, 2017

  • 神经指代消解中提及探测器和链接器交互的理解

    本研究探讨了现有最佳表现的指代消解系统的端到端核心指代消解模型的两个组件：提及检测器和提及链接器，并分析它们的行为，强调了精度和召回率的平衡问题，以及精度检测器的困难以及链接器的改进空间，提出了有前途的下一步研究方向。

    Sep, 2020

  • 利用多任务学习将单例和基于提及的特征纳入共指消解，以提高泛化性能

    这篇论文提出了一种通过多任务学习方法学习单例以及实体类型和信息状态等特征的共指模型，在 OntoGUM 基准上取得了新的最高分（+2.7 分），并在多个领域的数据集上提高了鲁棒性（平均 + 2.3 分），可能是由于更大的指称检测的泛化能力和更多单例数据的利用所致。

    Sep, 2023

  • 句子级递增神经共指消解

    本文提出一种句子增量神经代词消解系统，成功地融合了两种最新的技术：非增量模型和内存网络模型，在 OntoNotes 和 CODI-CRAC 2021 中达到了更好的结果。

    May, 2023

  • 神经式提及检测

    本篇论文提出了三种基于神经网络的提及检测方法，并在共指消解和 NE 嵌套任务中进行了评估和应用，基于最佳方法得出的模型在提高性能方面表现出色。

    Jul, 2019

  • 通过联合提及检测和提及聚类的深度双仿射注意力神经指代消解

    本文介绍了一种使用双仿射注意模型和联合最优化方法来改善端到端语义消解系统的方法，该方法在 CoNLL-2012 共享任务的英文测试集上实现了最先进的性能。

    May, 2018

  • 基于 Actor-Critic 学习的混合规则 - 神经共引消解系统

    本文提出了基于演员 - 评论家学习的混合规则 - 神经共指消解系统，它通过利用启发式规则和神经共指消解模型的优点来实现更好的共指性能。此端到端系统还可以通过使用联合训练算法执行提及检测和消解，并使用 BERT 模型生成输入跨度表示。我们的模型在 CoNLL-2012 Shared Task 英文测试集上使用 BERT 跨度表示实现了最新的最佳性能。

    Dec, 2022

  • 论文题目：基于指代消解的对话摘要

    研究神经方法在抽象对话摘要模型中显式地结合指代信息的不同方法来解决对话中的核心参照问题，发现这样的模型在追踪对话过程中的信息流和关联与对应的讲话者和人物提及方面需要更准确且精确。

    Jun, 2021

  • 核指代消解的图优化

    通过建模文档级别的语义关系图表，该研究提出了一种非自回归学习的自然语言处理模型，以改善代词关联问题的解决性能。实验结果表明，该方法在多个基准测试场景下有显著表现提升。

    Mar, 2022

  • 恒定内存下的增量神经指代消解

    使用上下文编码器和神经组件扩展增量聚类算法来模拟在固定内存约束下的关联消解，并对高性能模型进行了优化，以在 OntoNotes5.0 数据集上实现恒定空间的相对 F1 损失仅为 0.3%。

    Apr, 2020