EMNLPOct, 2023

提升论点结构抽取与上下文信息的高效关联

PDF
TL;DR提出了一种全面利用文本上下文信息、增强建模能力和拓展训练数据的高效上下文感知论证结构模型 (ECASE)，通过引入序列注意力模块和距离加权相似度损失来聚合上下文信息和论证性信息，同时通过随机屏蔽话语标记和句子来扩充训练数据，实现了在各个领域五个数据集上的最先进性能。
argument structure extractioncontextual informationefficient context-aware ase modelsequence-attention modulestate-of-the-art performance
发现论文，激发创造
  • 使用迁移学习和主动学习进行高效的论证结构提取

    本研究提出了一种基于 Transformer 的上下文感知论点结构预测模型，该模型在五个不同领域中显著优于仅编码有限上下文或仅依赖特征的模型，并提出了模型无关的样本获取策略，可推广到各种领域。通过大量实验证明，在进行跨领域的主动学习早期阶段，结合迁移学习，可进一步获得显著提高的 F1 得分（5-25）

    Apr, 2022

  • 基于上下文的语义扩展

    该研究定义和研究了一项称为上下文感知语义扩展（CASE）的新任务，其目的是在句子上下文中给出种子术语，以建议适合于种子的其他术语，该研究提出了一种网络结构，对每个语境和种子进行编码，然后建议替代术语，最终实验证明，采用种子感知注意力的上下文编码器可以取得有竞争力的结果。

    Dec, 2019

  • 事件论元抽取的资源增强神经模型

    该研究提出了利用语法引导 transformer 的长距离依存关系，来提高事件面向序列编码的实体识别性能。在 ACE2005 数据集上，该方法取得了新的最高性能。

    Oct, 2020

  • 一种双流 AMR 增强模型用于文档级事件论元抽取

    本文提出了一个具有 AMR-guided interaction module 的 Two-Stream Abstract meaning Representation enhanced extraction model (TSAR)，通过双流编码模块从不同角度对整个文档进行编码，利用局部和全局信息，并采用边界损失增强边缘信息，取得了跨句子事件论元抽取方面的巨大进展。

    Apr, 2022

  • 论证关系分析中内容与语境的解剖

    该研究论文指出通过遮盖文本本身，而只利用文本的上下文信息来分析争论单元所代表的争议关系的方法是不太可靠的。研究人员提出将争论单元与上下文分开，以更好地预测文档间的争论关系。

    Jun, 2019

  • 基于语言封装和语义融合的在线内容广义索赔检测

    LESA framework proposes a generalized model for argument mining using syntactic and contextual features to segregate claims, resolving the issue of unavailability of labeled unstructured text by annotating a Twitter dataset and improving state-of-the-art performances on benchmark claim datasets.

    Jan, 2021

  • 用于有效答案句子选择的问题 - 上下文对齐和答案 - 上下文依赖

    该论文通过显式地合并问题上下文和答案上下文，利用最优传输和图卷积网络来改进候选句的评分，进而在 WikiQA 和 WDRASS 等流行的 AS2 基准测试上取得了最新的最佳效果。

    Jun, 2023

  • 一种自然语言中识别论证结构的双阶段方法

    提出了一种从自然语言文本中提取论点结构的新方法，其包括评分分配和结构预测两个阶段，评分分配阶段使用不同的训练策略和词嵌入特征对各种关系进行分类，最终预测出最佳结构，实验表明该方法表现优于基线系统。

    Dec, 2016

  • 探索论述结构用于论点影响分类

    本文提出 DisCOC 方法，通过注入和融合大规模语言模型派生的上下文化特征和句子结构语义信息，实现通过路径上的语篇结构确定辩论中有效干扰因素的目标。实验证明，显式建立上下文和文本之间的关系以及对上下文路径的话语结构进行建模都有助于提高 Durmus 等人（2019）提出的辩论结构分类任务的性能，并且在实验中人们可以进一步了解要分类的论点语境路径之间的语篇结构，从而提高分类性能。

    Jun, 2021

  • EA$^2$E: 基于事件感知的文档级论点抽取一致性改进

    本研究针对现有文档级事件参与者角色提取模型无法在跨事件生成具有一致性的结果的问题，提出了基于事件关系的一致性约束机制，并介绍了一种集成上下文信息的事件感知 Argument Extraction 模型（EA^2E）来提升模型的一致性，WIKIEVENTS 和 ACE2005 数据集上的实验结果显示 EA^2E 模型比基准模型表现更加出色。

    May, 2022