Sep, 2023

英语 RST 解析中的难点是什么？通过预测模型进行错误分析

PDF
TL;DR通过研究探讨了自然语言处理中层次结构篇章分析在修辞结构理论框架中的困难，并建立了与之相关的因素模型，其中隐含的篇章关系、识别远程关系的挑战、词汇外的项目等是现有工作中的解析难点。通过发布两个带有明确正确和干扰篇章标记的英文测试集，以评估这些变量的相对重要性。研究结果表明，如同浅层篇章分析，明示 / 隐含区别起到了一定作用，但远程依赖是主要挑战，而词汇重叠的缺乏则并非问题，至少对于领域内解析而言。最终的模型能够 76.3% 的准确率预测底向上解析器的错误和 76.6% 的准确率预测顶向下解析器的错误。
natural language processinghierarchical discourse parsingrhetorical structure theoryimplicit discourse relationslong-distance dependencies
发现论文，激发创造
  • 从零开始的 RST 语法分析

    本文提出了一种基于分裂决策的顶级自上而下的端到端文档级修辞结构理论（RST）框架下的论述解析方式，并采用 seq2seq 网络建模分离决策，无需依赖分段，融合高分树搜索算法得到最佳树结构，实验结果表明该解析器在端对端解析和使用黄金分段分析方面表现出色，且无需使用手工特征，速度更快，易于适应新的语言和领域。

    May, 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

  • 快速修辞结构理论篇章分析

    本文描述了一种 RST 分割和解析系统，该系统可以快速、稳健地处理新闻文章或文章等短文档，并将各种先前工作的模型和特征集进行了适应，其准确性接近于最先进的水平。

    May, 2015

  • 多语言神经 RST 话语分析

    研究了通过利用多语言向量表示和采用源内容的分段级别翻译建立神经交叉语言篇章分析器的两种方法，并表明这两种方法即使在有限的训练数据下也有效，并且在所有子任务上实现了跨语言、文档级的篇章分析性能。

    Dec, 2020

  • 从 RST 论述分析提升文件级情感分析

    通过分析语篇结构中的修辞元素，文献使用的修辞结构理论 (RST) 解析器可以提高情感分析的准确性；该文献使用基于依存关系的位置调整方法和基于 RST 结构的递归神经网络模型分别取得了显著的效果提升。

    Sep, 2015

  • 跨语言 RST 篇章分析

    本文针对英语 RST 话语树库，提出了跨语言话语分析方法，并在西班牙语、德语、巴斯克语、荷兰语和巴西葡萄牙语中实验。该方法简单易行且有效，可以帮助更好地理解文件中的信息流和论证结构。

    Jan, 2017

  • 一种用于句子级别语篇解析的统一线性时间框架

    使用神经框架和指针网络，基于 Rhetorical Structure Theory (RST) 的句子级别的语篇分析提出了一种高效的分析方法。基于分段器和分析器的性能表现显示出此方法具有优势且逼近人类认知水平。

    May, 2019

  • 基于神经网络的 RST 方法用于衡量篇章连贯性

    利用 Rhetorical Structure Theory (RST) 树和关系对话语连贯性进行评估，表明在分类连贯性方面增加银标准 RST 特征可以提高准确性，我们开发了一个 tree-recursive neural model，即 RST-Recursive，利用了由最先进的 RST 解析器产生的文本 RST 特征。在 Grammarly Corpus for Discourse Coherence (GCDC) 上评估我们的方法，并展示了当与现有先进技术结合使用时，我们可以在此基准测试中实现新的技术水平的准确性。此外，单独部署时，RST-Recursive 具有竞争性的准确性，同时参数减少了 62%。

    Sep, 2020

  • 一种简单且强大的端到端神经 RST 风格篇章分析基线

    本篇论文探讨了一种强有力的基准线，通过将现有的简单解析策略（自上而下和自下而上）与各种基于 Transformer 的预先训练的语言模型进行集成，实现了 RST 风格的话语解析模型的推广和进一步发展。实验结果表明，解析性能强烈依赖预先训练的语言模型，尤其是 DeBERTa 对自下而上解析器表现的大幅提升。此外，我们还发现具有跨度屏蔽方案的语言模型特别能提高解析性能。

    Oct, 2022

  • 基于不同修辞结构的端到端论证挖掘

    该研究使用修辞树代替词序，提出了一种深度依存分析模型来评估同一论证方案内的释义差异，并使用 RST 结构的释义作为训练数据增强，结果表明论证挖掘可以从多种言语结构变体中获益。

    Jan, 2024