論文の概要: Discourse Relation Embeddings: Representing the Relations between Discourse Segments in Social Media

• arxiv url: http://arxiv.org/abs/2105.01306v1
• Date: Tue, 4 May 2021 05:58:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-05 18:08:45.039085
• Title: Discourse Relation Embeddings: Representing the Relations between Discourse Segments in Social Media
• Title（参考訳）: 談話関係埋め込み:ソーシャルメディアにおける談話セグメント間の関係を表現する
• Authors: Youngseo Son, H Andrew Schwartz
• Abstract要約: 対話関係を高次元連続空間の点として表現することを提案する。 言葉とは異なり、談話関係はしばしば表面形式を持たない。 談話関係の埋め込みを自動的に生成する新しい手法を提案する。
• 参考スコア（独自算出の注目度）: 8.51950029432202
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Discourse relations are typically modeled as a discrete class that characterizes the relation between segments of text (e.g. causal explanations, expansions). However, such predefined discrete classes limits the universe of potential relationships and their nuanced differences. Analogous to contextual word embeddings, we propose representing discourse relations as points in high dimensional continuous space. However, unlike words, discourse relations often have no surface form (relations are between two segments, often with no word or phrase in that gap) which presents a challenge for existing embedding techniques. We present a novel method for automatically creating discourse relation embeddings (DiscRE), addressing the embedding challenge through a weakly supervised, multitask approach to learn diverse and nuanced relations between discourse segments in social media. Results show DiscRE can: (1) obtain the best performance on Twitter discourse relation classification task (macro F1=0.76) (2) improve the state of the art in social media causality prediction (from F1=.79 to .81), (3) perform beyond modern sentence and contextual word embeddings at traditional discourse relation classification, and (4) capture novel nuanced relations (e.g. relations semantically at the intersection of causal explanations and counterfactuals).
• Abstract（参考訳）: 談話関係は通常、テキストのセグメント間の関係(例)を特徴付ける離散クラスとしてモデル化される。 因果説明、拡張)。 しかし、そのような事前定義された離散クラスは、潜在的な関係とそれらのニュアンスの違いの宇宙を制限する。 文脈的単語埋め込みと同様に、高次元連続空間内の点として談話関係を表現することを提案する。 しかし、言葉とは違って、談話関係は表面的な形式を持たないことが多い(関係は2つの部分に分かれており、その隙間に単語やフレーズがないことが多い)。 本稿では,ソーシャルメディアにおける談話セグメント間の多様かつニュアンスな関係を学習するための,弱教師付きマルチタスクアプローチを通じて,談話関係埋め込み(DiscRE)の自動生成手法を提案する。 その結果,(1)twitterの談話関係分類タスク(macro f1=0.76)の最高の性能を得る,(2)ソーシャルメディアの因果関係予測(f1=.79から.81)における技術の向上,(3)従来の談話関係分類における現代文や文脈的単語の埋め込み,(4)新しいニュアンス関係の捉え方(例)が得られた。 因果説明と反事実の交点における関係)

関連論文リスト

• Automatic Alignment of Discourse Relations of Different Discourse Annotation Frameworks [5.439020425819001]
  分類作業中にラベル埋め込みを学習するための完全自動アプローチを導入する。 これらの埋め込みは、異なるフレームワークの談話関係をマッピングするために使われる。
  論文  参考訳（メタデータ） (2024-03-29T14:18:26Z)
• Discourse Relations Classification and Cross-Framework Discourse Relation Classification Through the Lens of Cognitive Dimensions: An Empirical Investigation [5.439020425819001]
  We show that discourse relations can be effectively capture by some simple Cognitively inspired dimensions by Sanders et al.(2018) クロスフレームな談話関係分類(PDTB & RST)に関する実験により,あるフレームワークの談話関係に関する知識を,これらの次元を用いて他のフレームワークに伝達できることが実証された。
  論文  参考訳（メタデータ） (2023-11-01T11:38:19Z)
• Learning Complete Topology-Aware Correlations Between Relations for Inductive Link Prediction [121.65152276851619]
  関係性間の意味的相関は本質的にエッジレベルとエンティティ非依存であることを示す。 本研究では,関係関係のトポロジ・アウェア・コレレーションをモデル化するための新しいサブグラフベース手法,TACOを提案する。 RCNのポテンシャルをさらに活用するために, 完全コモンニアインダストリアルサブグラフを提案する。
  論文  参考訳（メタデータ） (2023-09-20T08:11:58Z)
• ChatGPT Evaluation on Sentence Level Relations: A Focus on Temporal, Causal, and Discourse Relations [52.26802326949116]
  対話型大規模言語モデルChatGPTの性能を,文間関係に基づいて定量的に評価する。 ChatGPTは因果関係の検出と推論において極めて優れた能力を示す。 既存の明示的な談話接続物との談話関係の大多数を特定できるが、暗黙的な談話関係は依然として恐ろしい課題である。
  論文  参考訳（メタデータ） (2023-04-28T13:14:36Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• Let's be explicit about that: Distant supervision for implicit discourse relation classification via connective prediction [0.0]
  暗黙の談話関係分類では,任意の談話接続が存在しない場合,隣り合う文間の関係を予測したい。 我々は,暗黙関係の明示を通じてデータ不足を回避し,タスクを2つのサブプロブレム(言語モデリングと明示的談話関係分類)に減らした。 実験結果から,本手法は同等性能の代替モデルよりも遥かに単純であるにもかかわらず,最先端技術よりもはるかに優れていることが示された。
  論文  参考訳（メタデータ） (2021-06-06T17:57:32Z)
• Logic-guided Semantic Representation Learning for Zero-Shot Relation Classification [31.887770824130957]
  ゼロショット関係分類のための論理誘導型意味表現学習モデルを提案する。 我々のアプローチは、暗黙的および明示的な意味表現と知識グラフの埋め込みと論理規則との接続を構築する。
  論文  参考訳（メタデータ） (2020-10-30T04:30:09Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Understanding Spatial Relations through Multiple Modalities [78.07328342973611]
  オブジェクト間の空間的関係は、空間的前置詞として表されるか、移動、歩行、移動などの空間的動詞によって表される。 画像中の2つの実体間の暗黙的・明示的な空間的関係を推定するタスクを導入する。 本研究では、テキスト情報と視覚情報の両方を用いて空間関係を予測し、物体の位置情報と大きさ情報と画像埋め込みを利用するモデルを設計する。
  論文  参考訳（メタデータ） (2020-07-19T01:35:08Z)
• Multiplex Word Embeddings for Selectional Preference Acquisition [70.33531759861111]
  単語間の様々な関係に応じて容易に拡張できる多重単語埋め込みモデルを提案する。 本モデルでは,不必要なスパース性を導入することなく,関係の異なる単語を効果的に識別することができる。
  論文  参考訳（メタデータ） (2020-01-09T04:47:14Z)

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。