EMNLPJan, 2023

弱监督标题依赖关系分析

PDF
TL;DR通过提供第一个标记有语法依存树的通用语言标题新闻语料库，我们旨在弥补语言处理句法分析领域对新闻标题的关注不足。通过从未标记的新闻标题 - 文章引文对中获取银标签训练数据来改进英语新闻标题的分析准确性，我们发现训练基于银标题解析的模型比仅基于黄金注释长格式文本训练的模型性能有显着提高。最终，我们发现尽管投影的银标签训练数据可以提高解析器在不同新闻媒体上的性能，但是该提高是受特定出版物特有结构的调节的。
english news headlinessyntactic parsinguniversal dependenciessilver training dataparser performance
发现论文，激发创造
  • 标题部分的跨注册投影词性标注

    本研究通过对英语新闻标题进行词性标注，研究了长文本和标题文本之间的词性标注模型，在使用自动标注的新语料库进行验证后，相较于训练单个注册器或者拼接培训集的方法，展示了注册器相互联合培训的显著提升，并且成果表明改进高质量新闻标题的词性标注有助于语法基础的开放信息提取系统的性能。

    Sep, 2021

  • 生成新闻故事的代表性标题

    试图在不使用人工标注的情况下通过在不同级别上同时使用多个类型的未标注语料库和自投票方法对新闻报道进行标题生成的研究。

    Jan, 2020

  • 为增强多语言新闻头条政治极性预测而设计的通识语言无关学习框架

    利用 “翻译 - 检索 - 翻译” 策略引入推理通识知识，然后将其整合到多语言预训练语言模型中以预测政治极性，证明我们的框架不受所使用的模型的影响，并具有潜力为新闻从业者、社会科学家、新闻制作人员和消费者带来好处。

    Dec, 2022

  • 作为挑战性自然语言理解任务的新闻标题分组

    本文介绍了 HeadLine Grouping 的任务和相应数据集，并提出了一个新颖的模型用于该任务。研究结果表明，虽然当前的最先进的 Transformer 模型只能达到 0.75 F-1，但是我们提出的无监督 Headline Generator Swap 模型可接近最佳监督模型的 F-1 分数，并发现了现有体系结构建模的局限性。

    May, 2021

  • 从零开始的通用依存句法分析

    该论文介绍了 Stanford 的 CoNLL 2018 UD 共享任务中的系统，这是一个完整的神经管道系统，可以将原始文本作为输入，并执行共享任务所需的所有任务，从分词和句子分割到词性标注和依赖关系解析，并通过广泛的消融研究展示了不同的模型组件的有效性。

    Jan, 2019

  • 用于标题生成的自我注意力模型

    使用最新的 Universal Transformer architecture 和 byte-pair encoding 技巧，对新闻标题生成任务进行了优化，取得了新的最佳 ROUGE-L F1 分数 24.84 和 ROUGE-2 F1 分数 13.48，并提出了新的 RIA 语料库并在其上达到 ROUGE-L F1 分数 36.81 和 ROUGE-2 F1 分数 22.15。

    Jan, 2019

  • 作为头选项的依存句法分析

    本文提出了一种使用神经网络实现依存分析的模型，该模型可用于自然语言处理和语言学领域，并且在多种语言上取得了与当前最新技术同等的效果。

    Jun, 2016

  • 新加坡口语英语的通用依赖解析

    本研究使用神经叠加的方法，在 Universal Dependencies 方案下构建了 Singlish 依赖树库，并将英语语法知识整合到最新的 Singlish 依赖分析器中，结果显示英语知识可以减少 25% 的错误率，使分析器的准确度为 84.47%。我们是首次在低资源语言上使用神经叠加来改善跨语言依赖解析。我们会将我们的注释和分析器提供给进一步的研究。

    May, 2017

  • 标题诊断：内容农场标题的操纵

    该研究基于卷积神经网络开发了一个标题分类器，主要通过调查标题的词语分割、词性标注和情感特征等关键因素，以确定新闻文章的可信度，并将这些特征集成到分类模型中。经过实验证明，该模型的准确度可达到 93.99%。

    Apr, 2022

  • 基于数据的儿童 - 家长互动解析评估

    本研究提出了一个语法依存树库，用于儿童自然语言的注释和研究，分析了写作和口语之间的语言特征并探讨了儿童语言发展与句法分析器性能的关系。

    Sep, 2022