論文の概要: AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach

• arxiv url: http://arxiv.org/abs/2305.19902v1
• Date: Wed, 31 May 2023 14:35:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-01 16:02:16.589029
• Title: AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach
• Title（参考訳）: aqe:quad-tagging augmented generative approachによる引数4重項抽出
• Authors: Jia Guo, Liying Cheng, Wenxuan Zhang, Stanley Kok, Xin Li, Lidong Bing
• Abstract要約: 本稿では,AQE抽出課題を提案する。 AQEは、クレーム、エビデンス、エビデンスタイプ、スタンスという4つの議論的要素をオールインワンで抽出することができる。 そこで本研究では,四重項タグ付けモジュールを利用した新しい四重項タグ付け拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 40.510976649949576
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Argument mining involves multiple sub-tasks that automatically identify argumentative elements, such as claim detection, evidence extraction, stance classification, etc. However, each subtask alone is insufficient for a thorough understanding of the argumentative structure and reasoning process. To learn a complete view of an argument essay and capture the interdependence among argumentative components, we need to know what opinions people hold (i.e., claims), why those opinions are valid (i.e., supporting evidence), which source the evidence comes from (i.e., evidence type), and how those claims react to the debating topic (i.e., stance). In this work, we for the first time propose a challenging argument quadruplet extraction task (AQE), which can provide an all-in-one extraction of four argumentative components, i.e., claims, evidence, evidence types, and stances. To support this task, we construct a large-scale and challenging dataset. However, there is no existing method that can solve the argument quadruplet extraction. To fill this gap, we propose a novel quad-tagging augmented generative approach, which leverages a quadruplet tagging module to augment the training of the generative framework. The experimental results on our dataset demonstrate the empirical superiority of our proposed approach over several strong baselines.
• Abstract（参考訳）: 引数マイニングには複数のサブタスクが含まれており、クレーム検出、エビデンス抽出、スタンス分類などの議論的要素を自動的に識別する。 しかし、各サブタスクだけでは議論的構造と推論過程の徹底的な理解には不十分である。 議論エッセイの完全な見解を学び、議論的要素間の相互依存を捉えるためには、人々が持つ意見(すなわち、クレーム)、これらの意見がなぜ有効なのか(つまり証拠を支持する)、証拠の出所(すなわち証拠タイプ)、そしてそれらの主張が議論の主題(すなわちスタンス)にどう反応するかを知る必要がある。 本研究では,4つの議論的成分,すなわちクレーム,エビデンス,エビデンス,スタンスをオールインワンで抽出できる,挑戦的な議論四重項抽出タスク(AQE)を提案する。 このタスクをサポートするために、大規模で挑戦的なデータセットを構築します。 しかし、引数の四重項抽出を解決できる既存の方法は存在しない。 このギャップを埋めるために,4重タギングモジュールを用いて生成フレームワークのトレーニングを強化する,新たな4重タグ拡張生成手法を提案する。 実験結果から,提案手法が複数の強基線に対して有意な優越性を示した。

関連論文リスト

• Multi-grained Evidence Inference for Multi-choice Reading Comprehension [62.0773160298008]
  MRC(Multi-choice Machine Reading)は、マシンが提供されたオプションに従って質問に答える上で、重要かつ困難なタスクである。 多粒性エビデンスを包括的に統合した多粒性エビデンス推論システム(Mugen)を提案する。 Mugen は3つの異なるエビデンスを抽出し、エビデンスを元のパスと統合し、4つのマルチチョイス MRC ベンチマークで顕著で一貫したパフォーマンス改善を達成する。
  論文  参考訳（メタデータ） (2023-10-27T11:36:18Z)
• Conclusion-based Counter-Argument Generation [26.540485804067536]
  現実世界の議論では、議論に対処する最も一般的な方法は、その主要なポイント、すなわち結論に対する推論である。 本稿では、入力引数の結論とカウンタの両方を生成するために共同で学習するマルチタスクアプローチを提案する。
  論文  参考訳（メタデータ） (2023-01-24T10:49:01Z)
• 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)
• Annotating Implicit Reasoning in Arguments with Causal Links [34.77514899468729]
  議論知識の形で暗黙の知識を特定することに注力する。 コンシークエンススキームのArgumentに着想を得て,そのような議論の知識を表現するための半構造化テンプレートを提案する。 クラウドソーシングによる高品質な暗黙的推論の収集とフィルタリング方法を示す。
  論文  参考訳（メタデータ） (2021-10-26T13:28:53Z)
• Aspect Sentiment Quad Prediction as Paraphrase Generation [53.33072918744124]
  Aspect Sentiment Quad Prediction (ASQP)タスクを導入し、与えられた意見文に対するクワッド内のすべての感情要素を共同で検出することを目的とした。 本稿では,ASQP タスクをパラフレーズ生成プロセスにキャストする新しいtextscParaphrase モデリングパラダイムを提案する。 一方、感情要素のセマンティクスは、自然言語形式でそれらを生成する学習によって完全に活用することができる。
  論文  参考訳（メタデータ） (2021-10-02T12:57:27Z)
• 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)
• Topic-Aware Evidence Reasoning and Stance-Aware Aggregation for Fact Verification [19.130541561303293]
  本稿では,事実検証のための新たな話題認識型証拠推論とスタンス認識型アグリゲーションモデルを提案する。 2つのベンチマークデータセットで実施されたテストは、事実検証のためのいくつかの最先端アプローチよりも提案モデルの方が優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-02T14:33:12Z)
• 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。