May, 2023

非收敛式语篇解析的深度（自回归）方法

PDF
TL;DR本文提出了一种适用于在线社交平台的非一致性对话分析的统一模型，通过 GRN 层和非对称损失函数结合语气、语境和标签的嵌入实现，不需要训练为每个标签建立唯一的架构 / 模型，可达到与 SOTA 相当的结果。
online social platformsdialogic discourse parsingcontentious discussionmulti-label schemeroberta backbone
发现论文，激发创造
  • 基于序列标注的自顶向下篇章分析

    本研究介绍了一种自上而下的话语分析方法，该方法的目标是将文档迭代地分段成个体话语单元，这种方法不仅消除了解码器，而且减少了划分点的搜索空间，同时使用了 LSTM 模型，在全指标下达到了最新的 RST 分析结果。

    Feb, 2021

  • 组合式任务导向对话的非自回归语义分析

    本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

    Apr, 2021

  • 发掘神经言语解析器的能力 —— 使用大规模预训练的上下文和结构感知方法

    这篇论文提出了一个简单但高精度的 RST 语篇分析器，采用最近的上下文语言模型，表现出两个重要数据集，RST-DT 和 Instr-DT 的最新技术性能。研究人员还表明，在最近可用的大规模 “银标准” 话语树库 MEGA-DT 上预训练我们的分析器可以提供更大的性能改进，这为话语分析领域提供了一种新的有前途的研究方向。

    Nov, 2020

  • 基于图的上下文感知模型：理解在线对话

    提出一种基于图的深度学习架构 GraphNLI，利用图遍历来增强在线讨论中评论的上下文信息，提高评论情感极性和仇恨言论检测任务的性能。

    Nov, 2022

  • 多语言任务导向对话的情境语义解析

    通过机器翻译自动翻译对话数据集并使用新的上下文语义解析模型，该方法在多个数据集上提高了准确性并创建了高准确度的多语言对话数据集。

    Nov, 2021

  • 端到端可训练的非合作对话系统

    本文中，我们介绍了一种基于任务导向对话模型的非协作式对话模型，该模型使用一种分层意图注释方案来处理社交内容并设计了一种过滤器来筛选生成的回复，我们在两个非协作式任务数据集上测试了我们的模型，结果表明它优于多个基准模型。

    Nov, 2019

  • 通过领域整合来提高多方对话语篇分析

    本文介绍了一种 Transformer 模型，可以应用于多方对话语篇分析，并结合三种方法，实现跨领域数据泛化，以提高神经网络解析器在跨域对话样本中的表现。

    Oct, 2021

  • 基于主题驱动的远程监督框架用于宏观层面的话语解析

    通过使用主题结构和教师 - 学生模型的标签转换和 Oracle 注释，我们提出了一种远程监督的框架，用于解决在领域内和领域外任务之间间隔较大的问题。在 MCDTB 和 RST-DT 数据集上，我们的方法都表现出了最佳的性能。

    May, 2023

  • 针对预训练和微调语言模型的大规模语篇结构理解

    本文针对预训练和微调语言模型中的语篇信息进行了深入分析，提出了一种新颖的推断语篇结构的方法，探讨了 BERT 和 BART 模型中内在语篇理解的精确性，同时评估了生成的结构与多种基准模型的相似性以及它们在模型内部和模型之间的分布。

    Apr, 2022

  • DialogBERT: 通过学习恢复和排序话语生成具有话语意识的响应

    本文提出了 DialogBERT，这是一种新型的对话响应生成模型，通过使用分层 Transformer 架构和两个训练目标，包括掩码语调回归和分布式语调顺序排名来提高先前基于 PLM 的对话模型，在三个多轮对话数据集上进行实验证明，相比于 BART 和 DialoGPT，DialogBERT 在定量评估方面表现出色，并且在人类评估中证明，DialogBERT 比基线模型生成的响应更连贯、信息量更大，并更加接近人类表现。

    Dec, 2020