Jan, 2023

利用语义表示结合上下文词表示识别越南文本蕴含

PDF
TL;DR本文提出了利用语义角色标注任务的语义词表示和 BERT 相对模型的上下文表示结合的实验，解决越南语中的自然语言理解问题，并通过实验结果表明语义感知的上下文表示模型比不包含语义表示的模型性能提高约 1％，而且在越南数据领域中的影响也更大。此结果还表明 SRL 对越南语的 RTE 问题具有积极作用。
发现论文，激发创造
  • 一项文本蕴含识别的自然语言处理评估调查

    本论文介绍了一种用于比较不同 NLP 系统语义理解能力的统一性评估框架 ——Recognizing Textual Entailment (RTE)，并提供了评估 NLP 系统推理能力的不同方法的概述，重点介绍了 RTE 数据集的特点及其最新研究进展，提出了利用注重特定语言现象的新引入的 RTE 数据集来评估 NLP 系统的建议。

    Oct, 2020

  • 将语义信息整合到 Retro-Reader 的草图阅读模块中，以提升越南机器阅读理解

    本篇研究报告讲述 SemSRL 应用在预训练语言模型中以提高 Retro-Reader 在越南语阅读理解任务上的性能表现

    Jan, 2023

  • 通过经验文本表示的语义特征实现文本蕴涵识别

    本文提出了一种新的基于阈值的语义文本表示方法，并结合机器学习算法应用语义和词汇特征对文本 - 假设对进行分类，该技术有效地丰富了文本的语义信息，在文字蕴涵分类任务中在意义理解方面的表现明显优于已知方法

    Oct, 2022

  • 语言理解的语义感知 BERT

    提出了一种改进的语言表示模型 Semantics-aware BERT，通过集成来自预训练语义角色标注的显式上下文语义，从而在十项阅读理解和语言推理任务中获得了新的最先进或实质性改进的结果，以促进自然语言理解。

    Sep, 2019

  • 文本理解的显式上下文语义

    本文的研究目的是让语义角色标注（SRL）任务通过指定动词谓词和其相应的语义角色来增强文本理解和推理，并针对深度学习模型，加入语义角色标注以获得更细粒度的语义。经过广泛的实验证明，所提出的语义学习能够在各项挑战性的自然语言理解任务中显著提高现有模型的性能，包括已经用于最新进展的预训练语言模型。

    Sep, 2018

  • 面向语法的多语言语义角色标注

    本研究关注于多语言语义角色标注（SRL）模型的开发，并围绕句法规则、上下文化词表示等因素展开了研究，提出了一种基于句法规则的剪枝方法，并在 CoNLL-2009 的七种语言基准测试中实现了状态 - of-the-art 的效果，并验证了深度增强表示对多语言 SRL 的有效性。

    Sep, 2019

  • 越南法律文本的多阶段信息检索

    本研究使用句子转换器提出了一种新的越南法律文件信息检索方法，并通过多次实验比较不同的转换器模型、排名得分、音节层和单词层的训练，实验结果表明所提出的模型的表现优于当前越南文件信息检索的模型。

    Sep, 2022

  • 上下文神经语言建模在信息检索中的应用

    本文探讨了利用上下文语境中的神经语言模型 BERT，可以提供更深入的文本信息理解，以增强预先训练的 BERT 模型以及相关的搜索任务。

    May, 2019

  • 基于视觉语境的多模态词表示学习

    本研究提出了一种同时利用文本和视觉上下文以学习多模态词嵌入的端到端方法，通过将视觉上下文元素整合到多模态 skip-gram 模型中，探索了何种因素可以作为视觉上下文，并进行了实验和分析。

    Nov, 2017

  • 训练数据中的隐藏偏差对文本蕴涵识别性能的影响

    本文提出了一种新的方法来研究用于识别文本蕴含任务的大型语料库的质量，通过基于统计假设检验的方法，测试了斯坦福自然语言推理（SNLI）语料库的可预测性，结果表明该库存在隐藏的偏差，并呈现了此偏差对于 RTE 的 NN 模型性能的影响。

    Apr, 2018