Sep, 2023

AutoAM: 自动通用论证挖掘的端到端神经模型

PDF
TL;DR提出了一种名为 AutoAM 的新型神经模型，用于解决争论挖掘的困难问题。该模型引入了争论组件注意机制，能更好地执行争论挖掘，是一种通用的端到端框架，可以分析无约束的争论结构，并在一个模型中完成争论挖掘的三个子任务。实验结果表明，该模型在两个公共数据集上的多个度量指标上优于现有工作。
argument miningneural modelargument component attention mechanismend-to-end frameworkexperiment results
发现论文，激发创造
  • 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

  • 基于神经网络的端到端计算性论证挖掘学习

    本文研究了神经技术在端到端的计算论证挖掘中的应用，将论证挖掘作为基于令牌的依赖解析和基于令牌序列标注的问题，包括多任务学习设置。研究发现，相比于在论证组件层次上操作的模型，将论证挖掘作为依赖解析的形式表现效果不佳；而基于双向长短时记忆网络的本地标注模型在分类场景下表现强劲，并能够捕捉到论证挖掘问题固有的远程依赖关系。另外，多任务学习可以改善模型表现。

    Apr, 2017

  • 利用紧凑语言模型和 ChatGPT-4 改进的高效论点分类

    通过比较深度学习模型在论证挖掘中的性能，本研究提出了一种基于 BERT 架构和 ChatGPT-4 的集成模型 (BERT+ChatGPT-4)，该模型在论证分类方面的表现优于其他基于 Transformer 和 LSTM 的模型，并为进一步提高论证分类模型和消除分类错误提供了重要的见解。

    Mar, 2024

  • 大型语言模型能否进行基于关系的论据挖掘？

    通过研究大规模语言模型在关系型争论挖掘中的应用，对比现有方法，发现大规模语言模型在支持与不同意关系的分类任务中表现优异。

    Feb, 2024

  • 使用基于注意力机制的神经网络从异构数据源中进行跨主题争论挖掘

    本文提出了一种新的句子注释方案，用于在任意网络文本上进行争议搜索的分析，得到的神经网络模型在准确度和 F1 分数上均优于传统的双向 LSTM 模型。

    Feb, 2018

  • 使用 BERT 和基于自注意机制的嵌入进行论点挖掘

    本文提出了一种新的论点挖掘方法，它采用基于注意力的嵌入进行链路预测，以模拟在线辩论中普遍存在的因果关系层次结构。

    Feb, 2023

  • 基于 Transformer 的自动辨识论述关系模型：跨领域评估

    该研究使用了 US2016 辩论语料库来训练基于 Transformer 模型的种类，以推测不同参数下论据的关系，最终在五个不同领域中评价模型的性能，得出了极高的 F1 得分，并确定了相对不依赖特定领域的模型。

    Nov, 2020

  • 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

  • 跨语言论证挖掘：机器翻译 (和一点投影) 是你所需的一切！

    该研究创建了适用于跨语种论证挖掘的平行语料库，并比较了注释映射和基于双语词嵌入的直接转移策略，发现前者表现更好且几乎消除了跨语种传递的损失。

    Jul, 2018

  • 论证挖掘的演进：从模型到社交媒体和新型工具

    本综述文章桥接了论证挖掘的理论方法和社交媒体数据诉求的实用方案之间的差距，回顾、比较和分类现有方法、技术和工具，识别了结合任务和特征的积极成果，并最终提出了一个观点架构框架。该理论框架是一种能够识别不同子任务并捕捉社交媒体文本需求的论证挖掘方案，揭示了采用更灵活、可扩展框架的需求。

    Jul, 2019