ACLMay, 2023

AQE: 通过四元组标记增强的生成方法提取论证四元组

PDF
TL;DR该研究提出了一个新的任务 - argument quadruplet extraction， 旨在提供四种互相关联的论证组成部分提取，即声明、证据、证据类型和立场，并通过构建一个数据集，并提出了一种基于生成模型的新方法来解决任务。
发现论文，激发创造
  • 修辞、逻辑和辩证法：自然语言处理中理论为基础的论证质量评估的推进

    本研究针对计算论证质量 (AQ) 的整体评估展开前期工作，提出了一种基于理论的评估方法，并开发了首个大规模的英文多领域 (AQ 社区问答、辩论、评论) 语料库 GAQCorpus，为之后的工作提供了坚实的基础。

    Jun, 2020

  • 增强的自然语言生成作为端到端论证挖掘

    基于生成式范式，本研究提出了一个统一的端到端框架，将论证结构构建为标签增强文本，称之为增强自然语言（ANL），并且通过探索不同类型标记的作用，将标记知识融入生成模型中，实现了与最新模型相媲美的成果并超过了几个基准结果。

    Jun, 2024

  • 你站在哪一边？一项用于端对端论点摘要和评估的多任务数据集

    通过引入一个涵盖辩论中各项任务的论证挖掘数据集，我们评估了多种生成基准模型，并发现虽然它们在个别任务上表现出有希望的结果，但在全部任务上的整体性能明显下降，这对于我们提出的数据集提出了挑战，需要进一步研究端到端的论证挖掘和概括。

    Jun, 2024

  • 面向细粒度情感分析的实体 - 方面 - 观点 - 情感四元组抽取

    我们提出了一种新的任务，称为实体 - 方面 - 意见 - 情感四元抽取（EASQE），旨在将方面术语层次化地分解为实体和方面，以避免在 ABSA 任务中的信息丢失，非独占性注释和意见误解。通过实验证明，我们的触发器 - 意见框架可以生成令人满意的 EASQE 结果，并且也可以应用于其他 ABSA 任务，显著优于现有的方法。

    Nov, 2023

  • 检索辅助生成式问答用于事件论元抽取

    本文提出了一种论据提取的检索增强生成问答模型，结合了生成方法和检索技术，从而提高了事件论据提取的性能，并提出了一种基于聚类的样本采样策略，以进一步提高模型在 few-shot 学习中的表现。

    Nov, 2022

  • 面向方面情感三元组提取的位置感知标记

    本文提出了一种新型的定位感知标注方案，旨在通过序列标注方法达到同时提取目标实体、与其相关的情感和原因的任务，实验证明了这种方法可以改善现有方法的性能。

    Oct, 2020

  • ArguGPT: 评估、理解和识别由 GPT 模型生成的论证性文章

    本文介绍了 ArguGPT 数据集，分析了由大型语言模型生成的英文论述文章的语言学特征，以及用于检测 AIGC 的现有和新型检测器的性能，其中使用的 RoBERTa 检测器在 essay 和 sentence 级别均可达到 90% 以上的准确率。

    Apr, 2023

  • 一个用于分析论证结构和质量相互作用的学生作文语料库

    为了计算化支持论证写作，需要挖掘论证结构和品质评分之间的相互作用，然而，目前尚未发布包含地面实论文品质标注的论证挖掘语料库。通过提供一份德语语料库，其中包括两个年龄组的学生写的 1,320 篇论文，并手动注释了论证结构和品质，填补了这一研究空白，并提出了论证挖掘和文章评分的基线方法，同时分析了两个任务之间的相互作用，为品质导向的论证写作支持奠定了基础。

    Apr, 2024

  • 事件提取作为问题生成和回答

    本文提出了 QGA-EE 模型，利用动态模板和问题生成技术有效处理事件提取任务中的多个参数、上下文信息和固定模板的问题，优于之前的单一任务模型，并在 ACE05 英语数据集上取得了最好的表现结果。

    Jul, 2023

  • IAM：一份全面的大规模数据集，用于集成化论证挖掘任务

    本文提出了一个全面而大型的数据集 IAM，旨在用于一系列论证挖掘任务。文集介绍了两个新的综合论证挖掘任务，即主张提取与立场分类（CESC）以及主张 - 证据对提取（CEPE）。实验结果表明了我们提出的任务的价值和挑战，并激励了论证挖掘领域的未来研究。

    Mar, 2022