Aug, 2022

话语关系中的同义词与反义词分析：一种可解释的建模方法

PDF
TL;DR该研究提出了一种基于语义标记的计算方法来分析语篇中的异议和让步关系，澄清了语言学中的词汇语义在引发语篇中显性和隐性关系方面的贡献，并探讨了不同词性在其中所扮演的角色，从而为语料库和计算语言学之间的研究架起了一座桥梁。
发现论文，激发创造
  • 不同语篇注释框架之间的自动对齐

    利用标签锚定对比学习方法，通过学习标签嵌入来映射不同框架中的语篇关系。

    Mar, 2024

  • 面向开放域对话的隐含语篇关系识别

    本论文旨在设计用于开放领域对话系统的新型话语关系识别流水线，该流水线可以自动提取隐式话语关系参数对和标签，并通过削减特征和整合对话特征等方法来提高辨识度。论文使用对话转换数据集得到了独特的话语关系对语料库，首次尝试确定开放领域对话中连接对话转换的话语关系。

    Jul, 2019

  • 实体增强的分布式语义在话语关系中的应用

    本文提出了一种计算分布式含义表示的方法来解决自动识别篇章关系的难题。我们通过结合句子的句法解析树，并使用一种新颖的向下组成算法，计算实体提及的含义表示。这种方法不仅可以预测句子间的篇章关系，还可以预测它们的指代实体提及之间的关系，并在 Penn Discourse Treebank 上取得了优越的表现。

    Dec, 2014

  • 土耳其话语银行 1.2 的描述和土耳其话语中常见依存关系的探讨

    本文描述了土耳其话语库 1.2 版本，介绍了一项新添加的评估，分析了构成单元之间的三种常见依存模式，发现隐含关系比显性关系更常见，两个相邻的隐含话语关系一起使用的频率比显式关系更高，并且存在全嵌入和部分包含的话语关系。

    Jul, 2022

  • 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

  • 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

  • 一个向量是不够的：实体增强的分布式语义用于话语关系

    该研究通过自动计算句法分析树上的分布式含义表示来进行话语关系预测，包括实体提及之间的链接，并在预测 Penn 话语树库中的隐式话语关系时实现了显著改进。

    Nov, 2014

  • 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

  • 类比、同义词、反义词和关联词的统一方法

    本文提出基于语料库的机器学习算法作为识别类比、近义词、反义词和联系词的方法，并且验证了其有效性

    Aug, 2008

  • 机器学习对矛盾检测模型的语言学研究：实证分析和未来展望

    分析了两个自然语言推理数据集的语言特征，发现机器学习模型难以理解介词和动词语义重要性，不能理解反义词和同音词，不能理解不完整的句子和罕见单词短语，因此需要在训练过程中尽可能利用更多外部知识。

    Oct, 2022