Mar, 2024

一种用于论证挖掘的混合智能方法

PDF
TL;DR提出了一种混合（人 + AI）方法 HyEnA，用于从具有倾向性的文本中提取论点，结合了自动处理速度和人类的理解和推理能力。在三个市民反馈文献中评估了 HyEnA，发现它相对于多样的观点集合，既提供了更高的覆盖率和精确度，强调了人类洞察力的必要性，同时又减少了人力成本，与（完全手动的）专家分析相比并没有降低质量，从而展示了结合人工和人工智能的优势。
发现论文，激发创造
  • 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

  • 基于神经网络的观点和论证摘要生成

    用基于注意力机制的神经网络模型，依据重要性进行采样的方法，生成更优于现有方法的电影评论和争论的摘要。

    Jun, 2016

  • 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

  • 面向语料库的论点挖掘 —— 一种有效方案

    本文介绍了一个全面的、高精度的基于话语级查询的语料库广泛的 Argument Mining 系统，通过将适当索引的大型语料库上的句子级查询与迭代式注释方案结合起来，解决了数据中的固有标签偏差，标注手册所需的空间样本的区域，从而获得高精度的排名前几的候选项。

    Nov, 2019

  • 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

  • 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

  • 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

  • 从 Token 到 Review：一种分层多模态的情感挖掘方法

    本文提出了一种利用意见表达的不同视角，构建了一种联合细粒度和粗粒度意见模型的方法，该模型具有注意力机制的某些特性，对最近发布的多模态细粒度注释语料库提供了具有竞争力的结果。

    Aug, 2019

  • 探索论证质量预测的整体视角

    本文研究基于 NLP 和大量文本数据得到的自动化 argument mining，评估 argument 质量估计对于不同领域的通用性、与相关 argument mining 任务的相互作用以及情感对于观察到的 argument 强度的影响。作者发现不同领域的训练数据可以提高质量估计的泛化能力，在零样本迁移和多任务实验中，argument quality 在多个方面都能够得到改善，而情感对 argument quality 的影响不如人们普遍认为的那样大。

    May, 2022