Jun, 2023

基于标注启发的隐式语篇关系分类及辅助语篇连词生成

PDF
TL;DR研究了如何在缺乏话语连词的情况下进行隐含话语关系分类，设计了一种神经网络模型，通过预测和生成连词来实现话语关系的分类。实验结果表明，在 PDTB 2.0，PDTB 3.0 和 PCC 三个数据集上，该模型明显优于其他基线模型，从而表明了该模型的长处。
implicit discourse relation classificationneural modelpdtbscheduled samplingdiscourse relations
发现论文，激发创造
  • 通过多任务神经网络的隐式语篇关系分类

    本文提出一个新的卷积神经网络嵌入多任务学习系统，用于综合 PDTB 语料库内多个特定于每个语料库的言语分类任务，并展示实验结果表明我们的模型可以显著提高 Implicit discourse relation classification 任务的性能。

    Mar, 2016

  • 利用 Seq2Seq 网络学习明确连接词以进行隐含篇章关系分类

    本文提出了一种新的模型，包含分类器、序列到序列模型以及一个记忆网络，针对隐式语篇关系分类进行研究，结合了 PDTB 语料库对暗示连接的注释，提出了一种针对语篇关系的有效编码方法，并在多个设置下优于现有最先进系统。

    Nov, 2018

  • 利用接续词的对抗网络进行隐含语义关系分类

    本研究提出了一种基于特征模仿框架的暗示关系网络，通过建立对抗模型让其自适应提取类似显式关系中明显特征以提升分类性能，并在 PDTB 基准测试中取得了最优结果。

    Apr, 2017

  • 使用跨语言明示技术获取已标注数据以进行隐含式话语关系分类

    本文针对在语篇分析中最具挑战性和重要性的隐式语篇关系分类任务，通过开发连接词，采用回译技术增加训练数据来提高任务的性能，论文探讨了如何有效地利用不同语言的多种翻译来改善附加数据的质量的问题。

    Aug, 2018

  • 基于标签增强的树形神经网络用于隐式话语关系分类

    本研究使用 Tree-LSTM 模型和 Tree-GRU 模型将句法分析树加入神经网络以编码关系中的参数，同时利用组成标记控制这些树状神经网络中的语义组合过程，实验结果表明我们的方法在 PDTB 语料库中达到了最先进的性能。

    Mar, 2018

  • 隐含话语关系识别的多标签分类

    在我们的工作中，我们通过探索各种多标签分类框架来处理隐含语篇关系识别，并显示多标签分类方法不会降低单标签预测的性能。此外，我们对结果和数据进行了全面的分析。我们的工作有助于推动对语篇关系的理解和应用，并为未来研究奠定基础。

    Jun, 2024

  • 激发隐式言论关系注释

    对于 ChatGPT 而言，在隐性话语关系分类任务中，使用标准的多项选择问题提示尚不令人满意，且远远不及最先进的有监督方法。本研究通过尝试多种证实的提示技术来提高 ChatGPT 对话语关系的识别能力，但实验结果表明，即使使用复杂的提示工程，推理准确性几乎没有改变，暗示隐性话语关系分类在零样本或少样本情况下尚未得到解决。

    Feb, 2024

  • 探讨隐含语篇关系分类中词语和句子表征学习的重要性

    我们提出了一种将强大的上下文表示模块，双边多角度匹配模块和全局信息融合模块结合的新型模型，用于隐含语篇关系分类任务，并在 PDTB 数据集上比 BERT 和其他最先进系统的表现提高了约 8％，在 CoNLL 2016 数据集上提高了约 16％。我们还分析了不同模块在隐含语篇关系分类任务中的有效性，并展示了不同表示学习层次如何影响结果。

    Apr, 2020

  • 基于提示的逻辑语义增强的隐含篇章关系识别

    通过 Prompt-based 连接词预测将与话语关系相关的知识无缝地注入到预训练语言模型中，提出了 Prompt-based Logical Semantics Enhancement（PLSE）方法，使其能够轻松获取逻辑语义的丰富特征，从而在话语关系识别方面取得了优异和一致的表现。

    Nov, 2023

  • 一种基于提示的细粒度隐式对话关系识别方法

    探索利用连接词预测来解决隐含语篇关系识别 (IDRR) 的问题。该方法使用预训练模型，并利用连接词和语篇关系之间的强相关性来帮助模型识别隐含语篇关系，同时对于 fine-grained few-shot 语篇关系中取得了优异成果。

    Oct, 2022