論文の概要: Explainable Topic-Enhanced Argument Mining from Heterogeneous Sources

• arxiv url: http://arxiv.org/abs/2307.12131v1
• Date: Sat, 22 Jul 2023 17:26:55 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 17:47:14.941505
• Title: Explainable Topic-Enhanced Argument Mining from Heterogeneous Sources
• Title（参考訳）: 不均一源からの説明可能なトピック強化Argument Mining
• Authors: Jiasheng Si, Yingjie Zhu, Xingyu Shi, Deyu Zhou, Yulan He
• Abstract要約: 核エネルギーのような物議を醸す標的が与えられれば、議論の採鉱は異質な情報源から議論のテキストを識別することを目的としている。 現在のアプローチでは、ターゲット関連セマンティック情報を議論テキストに統合するより良い方法を模索している。 提案手法は, トピック・エンハンスな議論マイニング手法である。
• 参考スコア（独自算出の注目度）: 33.62800469391487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Given a controversial target such as ``nuclear energy'', argument mining aims to identify the argumentative text from heterogeneous sources. Current approaches focus on exploring better ways of integrating the target-associated semantic information with the argumentative text. Despite their empirical successes, two issues remain unsolved: (i) a target is represented by a word or a phrase, which is insufficient to cover a diverse set of target-related subtopics; (ii) the sentence-level topic information within an argument, which we believe is crucial for argument mining, is ignored. To tackle the above issues, we propose a novel explainable topic-enhanced argument mining approach. Specifically, with the use of the neural topic model and the language model, the target information is augmented by explainable topic representations. Moreover, the sentence-level topic information within the argument is captured by minimizing the distance between its latent topic distribution and its semantic representation through mutual learning. Experiments have been conducted on the benchmark dataset in both the in-target setting and the cross-target setting. Results demonstrate the superiority of the proposed model against the state-of-the-art baselines.
• Abstract（参考訳）: 核エネルギー」のような議論の的となっているターゲットが与えられ、異種源からの議論的なテキストを特定することを目的としている。 現在のアプローチでは、ターゲット関連セマンティック情報を議論テキストに統合するより良い方法を模索している。 経験的な成功にもかかわらず、2つの問題は未解決のままである。 (i)ターゲットは、単語又は句で表現され、多様なターゲット関連サブトピックのセットをカバーすることが不十分である。 (二)論証マイニングに欠かせないとされる議論における文レベルの話題情報は無視される。 上記の問題に取り組むために,新しい説明可能なトピックエンハンスド・議論マイニング手法を提案する。 具体的には、ニューラルトピックモデルと言語モデルを用いることで、対象情報を説明可能なトピック表現によって拡張する。 また、相互学習による潜在話題分布と意味表現との間の距離を最小化することにより、引数内の文レベルの話題情報を取得する。 ターゲット内設定とターゲット間設定の両方において、ベンチマークデータセットで実験が行われた。 その結果,提案モデルが最先端のベースラインに対して優れていることを示す。

関連論文リスト

• Causal Micro-Narratives [62.47217054314046]
  テキストから因果マイクロナラティブを分類する新しい手法を提案する。 これらの物語は、対象対象の因果関係と/または効果の文レベルの説明である。
  論文  参考訳（メタデータ） (2024-10-07T17:55:10Z)
• Topic-Selective Graph Network for Topic-Focused Summarization [0.0]
  トピック弧認識とトピック選択グラフネットワークを提案する。 第一に、トピック・アーク認識の目的は、モデルのトピックを識別する能力を持つ訓練をモデル化するために使用される。 トピック選択グラフネットワークは、トピックアーク認識の結果に基づいて、文に対してトピック誘導のクロスインタラクションを行うことができる。
  論文  参考訳（メタデータ） (2023-02-25T15:56:06Z)
• Contextual information integration for stance detection via cross-attention [59.662413798388485]
  スタンス検出は、著者の目標に対する姿勢を特定することを扱う。 既存のスタンス検出モデルの多くは、関連するコンテキスト情報を考慮していないため、制限されている。 文脈情報をテキストとして統合する手法を提案する。
  論文  参考訳（メタデータ） (2022-11-03T15:04:29Z)
• Topic-Aware Contrastive Learning for Abstractive Dialogue Summarization [41.75442239197745]
  本研究は,コヒーレンス検出とサブ・サブ・サブ・サブ・サブ・サブ・サブ・サブ・サブ・サミマリ・ジェネレーションという2つのトピック・アウェア・コントラスト学習目標を提案する。 ベンチマークデータセットの実験では、提案手法が強いベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2021-09-10T17:03:25Z)
• Exploring Discourse Structures for Argument Impact Classification [48.909640432326654]
  本稿では、文脈経路に沿った2つの議論間の談話関係が、議論の説得力を特定する上で不可欠な要素であることを実証的に示す。 本研究では,文レベルの構造情報を大規模言語モデルから派生した文脈的特徴に注入・融合するDisCOCを提案する。
  論文  参考訳（メタデータ） (2021-06-02T06:49:19Z)
• ConvoSumm: Conversation Summarization Benchmark and Improved Abstractive Summarization with Argument Mining [61.82562838486632]
  我々は、さまざまなオンライン会話形式のニュースコメント、ディスカッションフォーラム、コミュニティ質問応答フォーラム、電子メールスレッドに関する4つの新しいデータセットをクラウドソースする。 我々は、データセットの最先端モデルをベンチマークし、データに関連する特徴を分析します。
  論文  参考訳（メタデータ） (2021-06-01T22:17:13Z)
• 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)
• AMPERSAND: Argument Mining for PERSuAsive oNline Discussions [41.06165177604387]
  本稿では,オンライン議論フォーラムにおける議論マイニングのための計算モデルを提案する。 我々のアプローチは、議論スレッド内の引数のコンポーネント間の関係を識別することに依存します。 我々のモデルは最近の最先端のアプローチと比較して大幅に改善されている。
  論文  参考訳（メタデータ） (2020-04-30T10:33:40Z)
• The Role of Pragmatic and Discourse Context in Determining Argument Impact [39.70446357000737]
  本稿では,議論のこの側面を研究するための新しいデータセットを提案する。 741件の議論の的となり、47,000件以上の主張がある。 議論的クレームの実践的・言論的文脈を取り入れた予測モデルを提案し,そのモデルが,特定の主張行内で個々のクレームが知覚する影響を予測するために,クレーム固有の言語的特徴に依存するモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-06T23:00:37Z)

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。