Oct, 2023

AMERICANO: 基于语篇引导分解和代理人互动的论证生成

PDF
TL;DR这篇论文提出了一个名为 Americano 的新型框架，利用代理互动将生成过程分解为基于论证理论的连续动作序列，首先按顺序执行动作来生成论证性话语组成部分，然后根据这些组成部分生成最终论证。为了进一步模仿人类写作过程并改进当前自回归语言模型的从左到右生成模式，引入了一个论证改进模块，根据接收到的反馈自动评估和改进论证稿。通过在 Reddit/CMV 数据集的子集上进行反驳生成任务的评估，结果表明我们的方法优于端到端和连续思考提示方法，能够生成内容丰富、条理清晰、有说服力的各种论证。
argument generationchain-of-thought promptingamericanoagent interactionargumentative discourse components
发现论文，激发创造
  • 利用检索、规划和实现的论点生成

    本文介绍了一个新的框架 CANDELA，用来解决针对特定问题的对抗论证自动生成，它包含了一个强大的检索系统和一个新型的双步骤生成模型，通过索引 1200 万文章并使用自然语言处理，使得自动生成的对抗论证比以往更为适当和丰富。经过自动评估和人工评估，该模型均取得了相比现有技术的更高 BLEU、ROUGE 和 METEOR 语言分数。

    Jun, 2019

  • 解锁多样观点：基于人物角色的多智能体框架及辩论驱动的文本规划技术用于论证生成

    使用基于人物的多智能体框架进行辩论和讨论，以生成多样化且有说服力的论证，进一步改进了当前的语言模型生成表面的符号的问题。

    Jun, 2024

  • 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

  • 利用论证语义和自然语言论证图网络的自动辩论评估

    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

  • AutoAM: 自动通用论证挖掘的端到端神经模型

    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。

    Sep, 2023

  • 面向控制的神经论点生成

    本研究利用语言模型进行论点生成，实现针对特定话题、立场和方面的句子级别论点生成，定义论点方面检测作为必要方法，通过数据增强和生成反证来提高立场检测模型的性能。

    Apr, 2020

  • 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

  • 利用外部检索证据增强的神经论证生成

    该研究提出了一种基于编码器 - 解码器神经网络的论证生成模型，通过从维基百科检索外部证据来生成不同方面的论证，实验结果表明，我们的模型建立的论证比流行的序列生成模型更具有话题相关内容。

    May, 2018

  • 学习论证语义的统一框架

    本文介绍了一个新颖的框架，使用归纳逻辑编程方法来以可解释的方式学习几个抽象和结构化的论证框架的可接受语义。通过实证评估，我们证明了我们的框架胜过现有的论证求解器，从而在形式论证和人机对话领域开启了新的未来研究方向。

    Oct, 2023

  • 与我简明辩论：走向句级反驳生成

    本研究提出了 ArgTersely 基准和 Arg-LlaMA 模型，使用基于 BERT 的 Arg-Judge 评估器进行了高质量句级反驳生成任务的实验，在与其他基线模型比较中展示了该框架和评估器的竞争力。

    Dec, 2023