Oct, 2022

文本丰富化的密集复述

PDF
TL;DR本文提出了 Dense Paraphrasing（DP）这一文本表征转化的过程，即通过对文本表达（词汇或词组）进行重写以减少歧义并使底层语义得到明确的阐述，从而改善推理和问答任务性能。同时，作者介绍了第一个完整的 DP 数据集及注释任务的范畴和设计，并通过实验取得了令人满意的结果。
inferencesquestionstextsemanticsdense paraphrasing
发现论文，激发创造
  • 学习改写以进行问答

    利用释义学习问题表达的多样性来提高询问回答系统在 Freebase 和句子选择上的准确性。通过训练端到端来直接学习最有可能产生正确答案的语言表达，得到了有竞争力的结果。

    Aug, 2017

  • 利用释义研究上下文嵌入的特性

    通过使用释义作为数据源，我们分析了上下文嵌入，特别关注 BERT。由于释义自然地编码了一致的单词和短语语义，因此它们为研究嵌入的属性提供了独特的视角。我们发现上下文嵌入可以有效地处理多义词，但在许多情况下，在语义相似的情况下，给出了不同的同义词表示表现。我们证实了 BERT 对单词顺序的敏感性，但发现不同于以往的研究，BERT 的各层在上下文化程度方面存在稍微不同的模式。

    Jul, 2022

  • 大规模学习短语的密集表示

    该研究展示了从阅读理解任务的监督学习中学习到短语的密集表示，并使用负采样方法提高性能，能够取代当前依赖于稀疏表示的短语检索模型，实现更好的开放域问答准确性并被用作密集知识库。

    Dec, 2020

  • iParaphrasing：通过图像提取基于视觉的复述句

    本文提出了一种新的任务 iParaphrasing，通过提取基于视觉的复述词（VGPs）来改善语言和图像多模态任务的性能，使用各种现有方法和基于神经网络的图像注意力方法建模 VGPs 之间的相似性并报告了结果。

    Jun, 2018

  • 改写 vs 核对：同一枚硬币的两面

    本文探讨了两种语言处理任务的潜在协同作用：识别谓词释义和事件共指解析。作者通过使用事件共指数据集的注释来重新评分启发式抽取的谓词释义，实现了 18 个平均精度点的提升，并将同样的重新排序方法应用于事件共指解析模型中，进一步提高了模型的性能。研究结果揭示了一种有效的利用数据和模型相互受益的途径。

    Apr, 2020

  • 通过自动爬取和对齐的句子对进行神经重述

    本文介绍了一种基于语言约束的相似性搜索方法，用于自动产生大规模对齐语料库，以解决基于神经网络的释义生成面临的数据缺乏问题。该方法在意大利语的情况下进行评估，并使用基于指针的深度神经网络架构实验。

    Feb, 2024

  • 超越词级别的释义、文本蕴涵和语义相似度

    本论文研究语言和计算方面在短语、从句、句子和段落之间可能存在的意义关系，特别关注了近义词替换、文本蕴涵、矛盾和语义相似性，并探讨了量化语义相似度的不同方法，以及自动化的近义词识别。

    Aug, 2022

  • 从释义学习概率句子表示

    本文定义了能够为句子产生分布的概率模型，最佳表现的模型将每个单词视为线性转换算子应用于多变量高斯分布，并通过从定义的模型中进行训练，演示了实现句子特定性的自然方式。虽然我们的模型是整体最佳表现的，但通过句子向量的范数表示来表示句子的特异性的简单架构也能够表现句子的特异性。质性分析表明，我们的概率模型捕获了句子涵盖并提供了分析单词特异性和精确性的方法。

    May, 2020

  • 基于词典引导的编辑网络的释义生成

    本文提出了利用字典引导的编辑网络模型来生成同义句的方法，并在两个基准数据集上进行了实验，证明其比基线方法表现更好。

    Jun, 2018

  • 改写可以躲避 AI 生成文本的检测，但究竟能否防御检索攻击？

    通过语义相似的生成物和检测算法，该研究提出了一种简单的防御，以增加对 AI 生成文本的检测器对抗改写攻击的鲁棒性。

    Mar, 2023