論文の概要: Aspect-Based Argument Mining
- arxiv url: http://arxiv.org/abs/2011.00633v1
- Date: Sun, 1 Nov 2020 21:57:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 23:30:20.499431
- Title: Aspect-Based Argument Mining
- Title(参考訳): アスペクトに基づく引数マイニング
- Authors: Dietrich Trautmann
- Abstract要約: Aspect-Based Argument Mining (ABAM) の課題として,Aspect Term extract (ATE) と Nested Term extract (NS) の基本的なサブタスクについて述べる。
私たちはアスペクトをメインポイント(s)引数ユニットが対処していると見なしています。
この情報は、議論のランク付け、議論の要約、生成などの下流タスクや、アスペクトレベルの逆問題探索に重要である。
- 参考スコア(独自算出の注目度): 2.3148470932285665
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Computational Argumentation in general and Argument Mining in particular are
important research fields. In previous works, many of the challenges to
automatically extract and to some degree reason over natural language arguments
were addressed. The tools to extract argument units are increasingly available
and further open problems can be addressed. In this work, we are presenting the
task of Aspect-Based Argument Mining (ABAM), with the essential subtasks of
Aspect Term Extraction (ATE) and Nested Segmentation (NS). At the first
instance, we create and release an annotated corpus with aspect information on
the token-level. We consider aspects as the main point(s) argument units are
addressing. This information is important for further downstream tasks such as
argument ranking, argument summarization and generation, as well as the search
for counter-arguments on the aspect-level. We present several experiments using
state-of-the-art supervised architectures and demonstrate their performance for
both of the subtasks. The annotated benchmark is available at
https://github.com/trtm/ABAM.
- Abstract(参考訳): 計算論の一般論と特に論証マイニングは重要な研究分野である。
以前の作品では、自然言語引数を自動的に抽出し、ある程度の理由から取り出すという多くの課題が解決された。
引数ユニットを抽出するツールはますます利用でき、さらにオープンな問題に対処できる。
本稿では,アスペクト項抽出(ate)とネストセグメンテーション(ns)の基本的なサブタスクを用いて,アスペクトベース引数マイニング(abam)のタスクを提案する。
最初の例では、トークンレベルのアスペクト情報を備えた注釈付きコーパスを作成し、リリースします。
我々はアスペクトを主要なポイント(s)引数ユニットとして扱う。
この情報は、引数のランク付け、引数の要約、生成などの下流のタスクや、アスペクトレベルでの逆アロゲーションの探索において重要である。
我々は,最先端の教師付きアーキテクチャを用いたいくつかの実験を行い,その性能を両サブタスクで実証する。
annotated benchmarkはhttps://github.com/trtm/abamで入手できる。
関連論文リスト
- Explicit, Implicit, and Scattered: Revisiting Event Extraction to Capture Complex Arguments [1.9820694575112385]
先行研究は、イベント固有の引数の抽出をスパン抽出問題として定式化する。
既存のEEフレームワークではモデル化できない2つの重要な引数タイプを紹介します。
オンライン健康談話から7,464の論証アノテーションを含む新しいデータセットであるDiscourseEEを開発した。
論文 参考訳(メタデータ) (2024-10-04T16:54:30Z) - Argue with Me Tersely: Towards Sentence-Level Counter-Argument
Generation [62.069374456021016]
本稿では,文レベル逆問題生成のためのArgTerselyベンチマークを提案する。
また,Arg-LlaMAによる高品質な逆問題生成手法を提案する。
論文 参考訳(メタデータ) (2023-12-21T06:51:34Z) - AutoAM: An End-To-End Neural Model for Automatic and Universal Argument
Mining [0.0]
これらの問題を解決するために,AutoAMと呼ばれる新しいニューラルモデルを提案する。
我々のモデルは、ツリー構造のような制約なしに引数構造を解析できる普遍的なエンドツーエンドフレームワークである。
論文 参考訳(メタデータ) (2023-09-17T15:26:21Z) - Retrieval-Augmented Generative Question Answering for Event Argument
Extraction [66.24622127143044]
イベント引数抽出のための検索拡張生成QAモデル(R-GQA)を提案する。
最も類似したQAペアを検索し、現在の例のコンテキストへのプロンプトとして拡張し、引数を回答としてデコードする。
提案手法は, 様々な設定において, かなり先行した手法より優れている。
論文 参考訳(メタデータ) (2022-11-14T02:00:32Z) - Full-Text Argumentation Mining on Scientific Publications [3.8754200816873787]
フルテキストSAMに対してADURとAREを組み合わせた逐次パイプラインモデルを提案する。
両サブタスクにおける事前学習言語モデル(PLM)の性能について,最初の解析を行った。
本稿では,非連続型ADUと談話コネクタの解釈が重要な課題であることを示す。
論文 参考訳(メタデータ) (2022-10-24T10:05:30Z) - Diversity Over Size: On the Effect of Sample and Topic Sizes for Topic-Dependent Argument Mining Datasets [49.65208986436848]
本研究では,アーギュメント・マイニング・データセットの構成が,少数・ゼロショット設定における影響について検討する。
実験結果から, モデル性能の達成には微調整が必須であるが, 慎重に構成したトレーニングサンプルを用いることで, トレーニングサンプルサイズを最大90%まで下げることで, 最大性能の95%を達成できることがわかった。
論文 参考訳(メタデータ) (2022-05-23T17:14:32Z) - IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument
Mining Tasks [59.457948080207174]
本稿では,一連の議論マイニングタスクに適用可能なIAMという,包括的で大規模なデータセットを提案する。
データセットの70k近い文は、引数特性に基づいて完全に注釈付けされている。
議論準備プロセスに関連する2つの新しい統合された議論マイニングタスクを提案する。(1) 姿勢分類付きクレーム抽出(CESC)と(2) クレーム・エビデンス・ペア抽出(CEPE)である。
論文 参考訳(メタデータ) (2022-03-23T08:07:32Z) - Reinforcement Learning-based Dialogue Guided Event Extraction to Exploit
Argument Relations [70.35379323231241]
本稿では、イベント引数の関係を明示的に活用することで、イベント抽出のためのより良いアプローチを提案する。
我々は増補学習と漸進学習を用いて、多回反復的なプロセスを通じて複数の引数を抽出する。
実験の結果,提案手法は7つの最先端イベント抽出法より一貫して優れていることがわかった。
論文 参考訳(メタデータ) (2021-06-23T13:24:39Z) - From Arguments to Key Points: Towards Automatic Argument Summarization [17.875273745811775]
1トピックあたりのキーポイントの数は、たいていの場合、議論の大部分をカバーするのに十分であることを示す。
さらに、ドメインの専門家が事前にこれらのキーポイントを予測できることがわかりました。
論文 参考訳(メタデータ) (2020-05-04T16:24:21Z) - Aspect-Controlled Neural Argument Generation [65.91772010586605]
我々は、与えられたトピック、スタンス、アスペクトの文レベル引数を生成するために、きめ細かいレベルで制御できる引数生成のための言語モデルを訓練する。
評価の結果,我々の生成モデルは高品質なアスペクト特異的な議論を生成できることがわかった。
これらの議論は、データ拡張による姿勢検出モデルの性能向上と、逆問題の生成に使用できる。
論文 参考訳(メタデータ) (2020-04-30T20:17:22Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。