論文の概要: MultiCite: Modeling realistic citations requires moving beyond the
single-sentence single-label setting
- arxiv url: http://arxiv.org/abs/2107.00414v1
- Date: Thu, 1 Jul 2021 12:54:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 18:33:27.099557
- Title: MultiCite: Modeling realistic citations requires moving beyond the
single-sentence single-label setting
- Title(参考訳): multicite: 現実的な引用をモデリングするには、シングルセンテンスな単一ラベル設定を超える必要がある
- Authors: Anne Lauscher, Brandon Ko, Bailey Kuhl, Sophie Johnson, David Jurgens,
Arman Cohan, Kyle Lo
- Abstract要約: 我々は1200以上の計算言語学論文から12,653の引用コンテキストのデータセットであるMultiCiteをリリースした。
従来のCCAモデルのトレーニングにはまだ使用可能なデータセットが,固定幅テキスト分類以外にも,CCAの新しいタイプのモデルの開発をサポートすることを示す。
- 参考スコア(独自算出の注目度): 13.493267499658527
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Citation context analysis (CCA) is an important task in natural language
processing that studies how and why scholars discuss each others' work. Despite
being studied for decades, traditional frameworks for CCA have largely relied
on overly-simplistic assumptions of how authors cite, which ignore several
important phenomena. For instance, scholarly papers often contain rich
discussions of cited work that span multiple sentences and express multiple
intents concurrently. Yet, CCA is typically approached as a single-sentence,
single-label classification task, and thus existing datasets fail to capture
this interesting discourse. In our work, we address this research gap by
proposing a novel framework for CCA as a document-level context extraction and
labeling task. We release MultiCite, a new dataset of 12,653 citation contexts
from over 1,200 computational linguistics papers. Not only is it the largest
collection of expert-annotated citation contexts to-date, MultiCite contains
multi-sentence, multi-label citation contexts within full paper texts. Finally,
we demonstrate how our dataset, while still usable for training classic CCA
models, also supports the development of new types of models for CCA beyond
fixed-width text classification. We release our code and dataset at
https://github.com/allenai/multicite.
- Abstract(参考訳): Citation context analysis (CCA) は、自然言語処理における重要な課題であり、研究者が互いの作業についてどのように、なぜ議論するのかを研究する。
何十年にもわたって研究されてきたにもかかわらず、CCAの伝統的なフレームワークは、著者の引用方法に関する過度に単純化された仮定に大きく依存しており、いくつかの重要な現象を無視している。
例えば、学術論文には、複数の文にまたがって複数の意図を同時に表現する引用作品のリッチな議論が含まれていることが多い。
しかし、CCAは通常、単一文のシングルラベル分類タスクとしてアプローチされており、既存のデータセットはこの興味深い言説を捉えていない。
本研究では,文書レベルのコンテキスト抽出とラベル付けタスクとしてCCAの新しいフレームワークを提案することで,この研究ギャップに対処する。
我々は1200以上の計算言語学論文から12,653の引用コンテキストからなる新しいデータセットであるmulticiteをリリースする。
専門家による引用コンテキストの最大コレクションであるだけでなく、multiciteはフルペーパーのテキストの中にマルチセンテンス、マルチラベルの引用コンテキストを含んでいる。
最後に、我々のデータセットが、古典的なCCAモデルのトレーニングに利用できる一方で、固定幅テキスト分類以上の新しいタイプのCCAモデルの開発をサポートすることを実証する。
コードとデータセットはhttps://github.com/allenai/multiciteでリリースします。
関連論文リスト
- In-Context Learning for Text Classification with Many Labels [34.87532045406169]
多くのラベルを持つタスクに対して大きな言語モデルを用いたインコンテキスト学習(ICL)は、コンテキストウィンドウが限られているため困難である。
我々は、この制限を回避するために、事前訓練された高密度検索モデルを使用する。
我々は、コンテキスト内サンプルの数と異なるモデルスケールのパフォーマンスを分析します。
論文 参考訳(メタデータ) (2023-09-19T22:41:44Z) - CiteBench: A benchmark for Scientific Citation Text Generation [69.37571393032026]
CiteBenchは引用テキスト生成のベンチマークである。
CiteBenchのコードはhttps://github.com/UKPLab/citebench.comで公開しています。
論文 参考訳(メタデータ) (2022-12-19T16:10:56Z) - The Fellowship of the Authors: Disambiguating Names from Social Network
Context [2.3605348648054454]
各エンティティに関する広範なテキスト記述を持つオーソリティリストは、欠落しており、曖昧な名前のエンティティである。
BERTをベースとした参照表現と,さまざまなグラフ誘導戦略を組み合わせて,教師付きクラスタ推論手法と教師なしクラスタ推論手法を実験する。
ドメイン内言語モデルの事前学習は,特により大きなコーパスに対して,参照表現を大幅に改善できることがわかった。
論文 参考訳(メタデータ) (2022-08-31T21:51:55Z) - CORWA: A Citation-Oriented Related Work Annotation Dataset [4.740962650068886]
自然言語処理では、通常「関連作業」という節で文献レビューが行われる。
我々はCORWAラベルを自動的にタグ付けする強力なベースラインモデルをトレーニングする。
そこで本研究では,ヒューマン・イン・ザ・ループ,反復的,抽象的関連作業生成のための新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2022-05-07T00:23:46Z) - Towards generating citation sentences for multiple references with
intent control [86.53829532976303]
We build a novel generation model with the Fusion-in-Decoder approach to handlee with multiple long inputs。
実験により,提案手法は引用文を生成するためのより包括的な特徴を提供することが示された。
論文 参考訳(メタデータ) (2021-12-02T15:32:24Z) - Author Clustering and Topic Estimation for Short Texts [69.54017251622211]
同じ文書中の単語間の強い依存をモデル化することにより、遅延ディリクレ割当を拡張できる新しいモデルを提案する。
同時にユーザをクラスタ化し、ホック後のクラスタ推定の必要性を排除しています。
我々の手法は、短文で生じる問題に対する従来のアプローチよりも、-または----------- で機能する。
論文 参考訳(メタデータ) (2021-06-15T20:55:55Z) - Sentiment analysis in tweets: an assessment study from classical to
modern text representation models [59.107260266206445]
Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。
非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。
本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
論文 参考訳(メタデータ) (2021-05-29T21:05:28Z) - Enhancing Scientific Papers Summarization with Citation Graph [78.65955304229863]
引用グラフを用いて科学論文の要約作業を再定義します。
我々は,141kの研究論文を異なる領域に格納した,新しい科学論文要約データセットセマンティックスタディネットワーク(ssn)を構築した。
我々のモデルは、事前訓練されたモデルと比較して競争性能を達成することができる。
論文 参考訳(メタデータ) (2021-04-07T11:13:35Z) - Minimally-Supervised Structure-Rich Text Categorization via Learning on
Text-Rich Networks [61.23408995934415]
テキストリッチネットワークから学習することで,最小限に教師付き分類を行う新しいフレームワークを提案する。
具体的には、テキスト理解のためのテキスト解析モジュールと、クラス差別的でスケーラブルなネットワーク学習のためのネットワーク学習モジュールの2つのモジュールを共同でトレーニングします。
実験の結果,1つのカテゴリに3つのシード文書しか与えられず,その精度は約92%であった。
論文 参考訳(メタデータ) (2021-02-23T04:14:34Z) - Large Scale Subject Category Classification of Scholarly Papers with
Deep Attentive Neural Networks [15.241086410108512]
本稿では,学術論文を要約のみを用いて分類するディープ注意ニューラルネットワーク(DANN)を提案する。
提案するネットワークは2つの双方向リカレントニューラルネットワークとアテンション層から構成される。
最適モデルでは,0.50~0.95の範囲の個々の対象カテゴリーのF1に対して0.76のマイクロF1測定値が得られる。
論文 参考訳(メタデータ) (2020-07-27T19:42:42Z) - Machine Identification of High Impact Research through Text and Image
Analysis [0.4737991126491218]
本稿では,引用の可能性が低い論文から高い論文を自動的に分離するシステムを提案する。
本システムでは,文書全体の外観を推測する視覚的分類器と,コンテンツインフォームド決定のためのテキスト分類器の両方を用いる。
論文 参考訳(メタデータ) (2020-05-20T19:12:24Z)
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。