DebateKG: 基于语义知识图的自动辩论案例生成
本文提出了一种混合方法,通过结合论述框架、语义学、基于 Transformer 的体系结构和神经图网络来自动评估论证性辩论,并获得了有前途的结果,这为自然语言论证的自动分析开辟了新的研究方向。
Mar, 2022
通过辩论动态理论提出了一种自动推理知识图谱的新方法,以三段式分类为例,该方法基于增强学习代理和二进制分类器解释和预测关于知识图谱中观点真实性的辩论证据,从而可用于知识图谱的推理和链接预测,实验表明该方法优于其他基线模型。
Jan, 2020
该研究提出了 DebateSum 数据集,其中包含 187,386 个唯一的证据片段和相应的争论和抽取式摘要,使用多个 Transformer 摘要模型进行了训练,同时引入了在数据集上训练的 FastText 词向量 debate2vec。最后,该研究还提出了一个可以广泛运用于全国演讲和辩论协会成员中的 DebateSum 搜索引擎。
Nov, 2020
提出了一种基于辩论动态的知识图谱事实检查新方法,利用强化学习代理抽取路径来论证事实真假,并通过二元分类器判断真假;该方法可解释用户决策,允许用户参与推理和评估辩论,提高各类基于知识图谱的人工智能应用的接受度、效率、稳健性和公正性。
Jan, 2020
探索认知智能在法律知识中的应用,聚焦于司法人工智能的发展。利用自然语言处理作为核心技术,自动构建司法案例知识图谱的方法,包括实体识别、关系抽取等多项任务,以及在一个交通事故责任纠纷案例研究中的显著优势。
Apr, 2024
本文介绍了使用自然语言处理技术的语义解析器,将用户的自然语言问题转化为有形式定义的查询语句,通过大规模知识图谱实现。作者提供了一个数据集,其中,用户问题采用 Sparql 语言解析,并对执行结果对系统回答进行注释。通过两种不同的语义解析方法,我们提出了挑战:如何处理大规模词汇,如何建模对话语境,如何处理多实体查询语句,并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布,详情请见链接。
Jan, 2023
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
2019 年发布的人工智能系统 Project Debater 能够就复杂主题与人类专家进行辩论,其核心 NLP 服务、论点挖掘分析能力和重要内容摘要等 API 具备良好的性能,其中 Key Point Analysis 更是一项新技术,能识别大量文本中的主要论点及其普遍性。
Oct, 2021
我们介绍了 OpenDebateEvidence,这是一个从美国竞争辩论社区收集的全面的论点挖掘和总结数据集。该数据集包括超过 350 万个具有丰富元数据的文档,是最大的辩论证据集之一。OpenDebateEvidence 捕捉了高中和大学辩论中论点的复杂性,为训练和评估提供了宝贵的资源。我们的大量实验证明了对最新大型语言模型进行微调以进行论辩抽象总结的有效性,涵盖了各种方法、模型和数据集。通过提供这一全面的资源,我们旨在推动计算论证的发展,并支持辩论者、教育工作者和研究人员的实际应用。OpenDebateEvidence 已公开可用,以支持计算论证的进一步研究和创新。在此访问:this https URL
Jun, 2024