May, 2023

基于主题驱动的远程监督框架用于宏观层面的话语解析

PDF
TL;DR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。
discourse parsingneural modelsdistant supervisiontopic structureteacher-student model
发现论文，激发创造
  • 使用远程监督预测句子上文结构：以主题分割为例

    该研究提出了一种利用主题分割技术进行远程监督的方法来解决现代话语解析中由于数据稀缺问题所面临的困境，实验结果表明该方法能够有效地产生准确的树状结构并较之前的方法取得了更高的得分。

    Dec, 2021

  • 利用来自情感的远程监督来预测话语结构

    本研究提出了一种新方法，使用情感分类的远程监督来生成丰富数据进行 RST 风格讨论结构预测，该方法结合了一种基于神经网络的多实例学习和一种 CKY-style 树生成算法，结果表明该解析器在跨领域讨论结构预测方面表现出色。

    Oct, 2019

  • 可扩展远程监督的大型话语树库

    本研究提出了一种使用情感分析辅助任务的 “银标准” 话语树框架，从而允许更大、更多样化和独立于领域的数据集训练话语解析器，以实现自然语言处理的上游任务，并在许多实际应用中具有强大的影响力。

    Oct, 2022

  • 通过梯度提升实现领域无关的监督式话语解析

    本文提出了一种新的有监督范式，用于解决语篇分析中域依赖的问题，通过梯度提升框架引入弱分类器级联模型，设计了第一个完全有监督的语篇分析器。

    Oct, 2022

  • 可扩展遥感情感监督数据生成的具有结构和核心性的 MEGA RST 话语树库

    本研究提出了一种新的可扩展的方法用于自动生成论述树库，同时发布了一个新的大规模的语料库 MEGA-DT，通过多个数据集的实验表明，在 MEGA-DT 树库训练出的论述解析器相对于训练在人工注释语料库上的解析器表现得到了显著提升。

    Nov, 2020

  • 对话篇章解析和主题分割的无监督共学习

    通过主题分割和话语解析，我们提出了一种无监督的两种结构的互学习框架，以实现对话系统的全局目标和话语策略的一致性。实验结果表明，我们的方法在两个对话话语数据集（STAC 和 Molweni）以及对话主题数据集（Doc2Dial 和 TIAGE）上优于所有强基准模型。

    May, 2024

  • 通过跨度约束，在远程监督下改进潜在树归纳

    本研究提出了一种使用远程监督形式的跨度约束技术来提高无监督语法分析性能的方法。通过少量跨度约束，可以大大提高无监督分析系统 DIORA 的性能。我们的实验表明，基于实体的跨度约束可以使英语 WSJ Penn Treebank 的组成分析提高超过 5 F1，并将其扩展到任何易于实现跨度约束的领域，同时在生物医学文本方面，该方法的有效性得到了证明。

    Sep, 2021

  • 以文档级内容结构为导向的 RST 风格的篇章解析

    基于修辞结构理论的话语解析（RST-DP）探索了子句、句子和大文本跨度如何组成整个话语，并将修辞结构呈现为一个分层树。现有的 RST 解析流水线在构建修辞结构时缺乏对文档级内容结构的了解，导致在预测大文本跨度的话语关系时性能相对较低。为了识别高级内容相关信息在促进话语关系识别方面的价值，我们提出了一种新颖的 RST-DP 流水线，该流水线结合了从新闻话语建模任务中得出的具有结构意识的新闻内容句子表示。通过仅添加了少量的附加层，这个增强的流水线在各种 RST 解析指标上表现出了很有前景的性能。

    Sep, 2023

  • 使用树形自编码器进行话语结构的非监督学习

    通过无监督学习的隐式树归纳框架，提出了一种新的策略来生成结构化的文本，例如语法分析、话语分析等，以及更倍覆盖的话语树库，并在多个领域中展示了具有前景的结果。

    Dec, 2020

  • 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