論文の概要: GraphNLI: A Graph-based Natural Language Inference Model for Polarity
Prediction in Online Debates
- arxiv url: http://arxiv.org/abs/2202.08175v1
- Date: Wed, 16 Feb 2022 16:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-17 16:16:13.752873
- Title: GraphNLI: A Graph-based Natural Language Inference Model for Polarity
Prediction in Online Debates
- Title(参考訳): GraphNLI: オンライン討論におけるポーラリティ予測のためのグラフベースの自然言語推論モデル
- Authors: Vibhor Agarwal, Sagar Joglekar, Anthony P. Young, Nishanth Sastry
- Abstract要約: グラフウォーク技術を用いて、議論スレッドのより広いコンテキストをキャプチャするグラフベースの新しいディープラーニングアーキテクチャであるGraphNLIを提案する。
次に、これらの埋め込みを使用して、返信と返信するポストの間の極性関係を予測する。
我々のモデルはS-BERTを含む関連するベースラインを83%の精度で上回ります。
- 参考スコア(独自算出の注目度): 3.8345539498627437
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Online forums that allow participatory engagement between users have been
transformative for public discussion of important issues. However, debates on
such forums can sometimes escalate into full blown exchanges of hate or
misinformation. An important tool in understanding and tackling such problems
is to be able to infer the argumentative relation of whether a reply is
supporting or attacking the post it is replying to. This so called polarity
prediction task is difficult because replies may be based on external context
beyond a post and the reply whose polarity is being predicted. We propose
GraphNLI, a novel graph-based deep learning architecture that uses graph walk
techniques to capture the wider context of a discussion thread in a principled
fashion. Specifically, we propose methods to perform root-seeking graph walks
that start from a post and captures its surrounding context to generate
additional embeddings for the post. We then use these embeddings to predict the
polarity relation between a reply and the post it is replying to. We evaluate
the performance of our models on a curated debate dataset from Kialo, an online
debating platform. Our model outperforms relevant baselines, including S-BERT,
with an overall accuracy of 83%.
- Abstract(参考訳): ユーザ間の参加型エンゲージメントを可能にするオンラインフォーラムは、重要な問題に関する公開議論に変革をもたらした。
しかし、そのようなフォーラムでの議論は、時には憎しみや誤情報の完全な交換へとエスカレートすることがある。
このような問題を理解し、対処する上で重要なツールは、返信が返信している投稿を支持するか攻撃しているかという議論的関係を推測できることである。
このような極性予測タスクは、応答がポスト以外の外部コンテキストと、極性を予測する応答に基づいているため、難しい。
本稿では,グラフウォーク技術を用いて議論スレッドのより広い文脈を原則的に捉える,新しいグラフベースのディープラーニングアーキテクチャであるgraphnliを提案する。
具体的には、投稿から始まるルート探索グラフウォークを実行し、その周囲のコンテキストをキャプチャして追加の埋め込みを生成する方法を提案する。
次に、これらの埋め込みを使用して、返信と返信するポストの間の極性関係を予測する。
オンライン議論プラットフォームであるKialoのキュレートされた議論データセットを用いて、モデルの性能を評価する。
我々のモデルはS-BERTを含む関連するベースラインを83%の精度で上回ります。
関連論文リスト
- PageRank Bandits for Link Prediction [72.61386754332776]
リンク予測は、リコメンダシステムやナレッジグラフ補完といった幅広いアプリケーションを用いたグラフ学習において重要な問題である。
本稿では,リンク予測を逐次的意思決定プロセスとして再構成し,各リンク予測インタラクションを逐次的に行う。
本稿では,PageRankとコンテキスト的帯域を結合した新しい融合アルゴリズム PRB (PageRank Bandits) を提案する。
論文 参考訳(メタデータ) (2024-11-03T02:39:28Z) - Integrating Large Language Models with Graph-based Reasoning for Conversational Question Answering [58.17090503446995]
我々は,テキストや知識グラフ,テーブル,インフォボックスといった異質な情報源から収集された証拠について,文脈における質問の理解と推論の課題を組み合わせた会話型質問応答タスクに着目する。
提案手法はグラフ構造表現を用いて質問とその文脈に関する情報を集約する。
論文 参考訳(メタデータ) (2024-06-14T13:28:03Z) - LineConGraphs: Line Conversation Graphs for Effective Emotion
Recognition using Graph Neural Networks [10.446376560905863]
本稿では,会話における感情認識のためのライン会話グラフ畳み込みネットワーク(LineConGCN)とグラフ注意モデル(LineConGAT)を提案する。
これらのモデルは話者に依存しず、会話のためのグラフ構築戦略を使って構築される -- ライン会話グラフ(LineConGraphs)
我々は,IEMOCAPとMELDという2つのベンチマークデータセット上で提案したモデルの性能を評価し,F1スコア64.58%,76.50%で,LineConGATモデルが最先端の手法より優れていることを示す。
論文 参考訳(メタデータ) (2023-12-04T19:36:58Z) - GASCOM: Graph-based Attentive Semantic Context Modeling for Online
Conversation Understanding [4.9711707739781215]
本稿では,オンライン会話理解のためのグラフベースの意味意味テキストモデリング(GASCOM)フレームワークを提案する。
具体的には、オンライン会話のグラフ構造と、個々の投稿のセマンティック情報の両方を利用する2つの新しいアルゴリズムを設計する。
提案手法は,両タスクの最先端手法を著しく上回っている。
論文 参考訳(メタデータ) (2023-10-21T14:45:26Z) - Decoding the Silent Majority: Inducing Belief Augmented Social Graph
with Large Language Model for Response Forecasting [74.68371461260946]
SocialSenseは、既存のソーシャルネットワーク上に信念中心のグラフを誘導するフレームワークであり、グラフベースの伝播によって社会的ダイナミクスを捉える。
本手法は,ゼロショット設定と教師あり設定の両方に対する実験的な評価において,既存の最先端技術を超えている。
論文 参考訳(メタデータ) (2023-10-20T06:17:02Z) - Predicting Hateful Discussions on Reddit using Graph Transformer
Networks and Communal Context [9.4337569682766]
ソーシャルメディアプラットフォーム上で有害な議論を予測するシステムを提案する。
我々のソリューションは文脈の深い言語モデルを使用し、最先端のグラフトランスフォーマーネットワークを統合します。
我々は,様々なコミュニティから333,487件のRedditディスカッションを行った。
論文 参考訳(メタデータ) (2023-01-10T23:47:13Z) - A Graph-Based Context-Aware Model to Understand Online Conversations [3.8345539498627437]
オンライン会話では、コメントや返信は、すぐに関連する情報以外の外部のコンテキストに基づいている可能性がある。
グラフウォークを用いて会話のより広いコンテキストを組み込む新しいグラフベースのディープラーニングアーキテクチャであるGraphNLIを提案する。
極性予測と擬似的ヘイトスピーチ検出という2つのタスクでGraphNLIを評価する。
論文 参考訳(メタデータ) (2022-11-16T20:51:45Z) - Deconfounded Training for Graph Neural Networks [98.06386851685645]
本稿では, コンバウンディング効果を緩和し, 臨界情報に対するラッチを緩和する新しいDecon Training(DTP)のパラダイムを提案する。
具体的には、注意モジュールを用いて臨界部分グラフと自明部分グラフをアンタングル化する。
これにより、GNNは、ラベルとの関係が複数のディストリビューションで堅牢である、より信頼性の高いサブグラフをキャプチャできる。
論文 参考訳(メタデータ) (2021-12-30T15:22:35Z) - ExplaGraphs: An Explanation Graph Generation Task for Structured
Commonsense Reasoning [65.15423587105472]
スタンス予測のための説明グラフ生成の新しい生成および構造化コモンセンスリゾニングタスク(および関連するデータセット)を紹介します。
具体的には、信念と議論が与えられた場合、モデルは、議論が信念を支持しているかどうかを予測し、予測されたスタンスに対する非自明で完全で曖昧な説明として機能する常識強化グラフを生成する必要がある。
グラフの83%は、様々な構造と推論深度を持つ外部のコモンセンスノードを含んでいる。
論文 参考訳(メタデータ) (2021-04-15T17:51:36Z) - A Graph Reasoning Network for Multi-turn Response Selection via
Customized Pre-training [11.532734330690584]
本稿では,この問題に対処するグラフ推論ネットワーク(GRN)を提案する。
GRNはまずALBERTに基づく事前トレーニングを行います。
次に、シーケンス推論とグラフ推論構造を備えた統合ネットワーク上でモデルを微調整する。
論文 参考訳(メタデータ) (2020-12-21T03:38:29Z) - Learning to Extrapolate Knowledge: Transductive Few-shot Out-of-Graph
Link Prediction [69.1473775184952]
数発のアウトオブグラフリンク予測という現実的な問題を導入する。
我々は,新しいメタ学習フレームワークによってこの問題に対処する。
我々は,知識グラフの補完と薬物と薬物の相互作用予測のために,複数のベンチマークデータセット上でモデルを検証した。
論文 参考訳(メタデータ) (2020-06-11T17:42:46Z)
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。