論文の概要: From Argumentative Text to Argument Knowledge Graph: A New Framework for Structured Argumentation

• arxiv url: http://arxiv.org/abs/2506.00713v1
• Date: Sat, 31 May 2025 21:11:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-04 21:47:33.500231
• Title: From Argumentative Text to Argument Knowledge Graph: A New Framework for Structured Argumentation
• Title（参考訳）: 論証テキストから論証知識グラフへ:構造化論証のための新しい枠組み
• Authors: Debarati Bhattacharjee, Ashish Anand,
• Abstract要約: 本稿では,議論文を議論知識グラフ(AKG)に変換する枠組みを提案する。 知識ベース(KB)グラフをノードのメタデータ属性で構築することで、情報を豊かにする。 次に、KB の前提と推論ルールを用いて、modus ponens を適用して引数を生成する。
• 参考スコア（独自算出の注目度）: 0.9626666671366837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a framework to convert argumentative texts into argument knowledge graphs (AKG). Starting with basic annotations of argumentative components (ACs) and argumentative relations (ARs), we enrich the information by constructing a knowledge base (KB) graph with metadata attributes for nodes. Next, we use premises and inference rules from the KB to form arguments by applying modus ponens. From these arguments, we create an AKG. The nodes and edges of the AKG have attributes that capture important argumentative features. We also find missing inference rules by identifying markers. This makes it possible to identify undercut attacks that were previously undetectable in existing datasets. The AKG gives a graphical view of the argumentative structure that is easier to understand than theoretical formats. It also prepares the ground for future reasoning tasks, including checking the coherence of arguments and identifying opportunities for revision. For this, it is important to find indirect relations, many of which are implicit. Our proposed AKG format, with annotated inference rules and modus ponens, will help reasoning models learn the implicit indirect relations that require inference over arguments and the relations between them.
• Abstract（参考訳）: 本稿では,議論文を議論知識グラフ(AKG)に変換する枠組みを提案する。 議論的コンポーネント (AC) と議論的関係 (AR) の基本的なアノテーションから始め、我々はノードのメタデータ属性を持つ知識ベース (KB) グラフを構築することで情報を強化する。 次に、KB の前提と推論ルールを用いて、modus ponens を適用して引数を生成する。 これらの議論から、私たちはAKGを作成します。 AKGのノードとエッジには重要な議論的特徴をキャプチャする属性がある。 マーカーを識別することで、推論ルールが欠落していることもわかりました。 これにより、既存のデータセットでは検出できないアンダーカット攻撃を特定できる。 AKGは理論的な形式よりも理解しやすい議論的構造をグラフィカルに表現している。 また、議論の一貫性の確認や修正の機会の特定など、今後の推論タスクの基盤も用意している。 そのため、間接的な関係を見つけることが重要であり、その多くが暗黙的である。 提案するAKGフォーマットは,注釈付き推論規則とモーダスポネンを用いて,理論モデルが引数に対する推論を必要とする暗黙的な間接関係と,それら間の関係を学習するのに役立つ。

関連論文リスト

• A Prompt-Based Knowledge Graph Foundation Model for Universal In-Context Reasoning [17.676185326247946]
  そこで本研究では,テキスト内学習,すなわちKG-ICLを介し,プロンプトに基づくKGファウンデーションモデルを提案する。 クエリにおけるエンティティや関係を発見できないような一般化機能を備えたプロンプトグラフを符号化するために,まず統一トークン化器を提案する。 そこで我々は,プロンプトエンコーディングとKG推論を行う2つのメッセージパッシングニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2024-10-16T06:47:18Z)
• 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)
• A Semantic Mention Graph Augmented Model for Document-Level Event Argument Extraction [12.286432133599355]
  Document-level Event Argument extract (DEAE)は、構造化されていないドキュメントから引数とその特定の役割を特定することを目的としている。 DEAEの先進的なアプローチは、事前訓練された言語モデル(PLM)を誘導するプロンプトベースの手法を用いて、入力文書から引数を抽出する。 本稿では,この2つの問題に対処するために,グラフ拡張モデル (GAM) のセマンティック言及を提案する。
  論文  参考訳（メタデータ） (2024-03-12T08:58:07Z)
• Complex Reasoning over Logical Queries on Commonsense Knowledge Graphs [61.796960984541464]
  論理クエリをサンプリングして作成した新しいデータセットであるCOM2(COMplex COMmonsense)を提示する。 我々は、手書きのルールと大きな言語モデルを用いて、複数の選択とテキスト生成の質問に言語化します。 COM2でトレーニングされた言語モデルでは、複雑な推論能力が大幅に改善されている。
  論文  参考訳（メタデータ） (2024-03-12T08:13:52Z)
• Hi-ArG: Exploring the Integration of Hierarchical Argumentation Graphs in Language Pretraining [62.069374456021016]
  議論を整理する新しい構造である階層的議論グラフ(Hi-ArG)を提案する。 また,テキストグラフマルチモーダルモデルであるGreaseArGや,グラフ情報を付加した新たな事前学習フレームワークなど,Hi-ArGを活用するための2つのアプローチを導入する。
  論文  参考訳（メタデータ） (2023-12-01T19:03:38Z)
• UniKGQA: Unified Retrieval and Reasoning for Solving Multi-hop Question Answering Over Knowledge Graph [89.98762327725112]
  KGQA(Multi-hop Question Answering over Knowledge Graph)は、自然言語の質問で言及されているトピックエンティティから、複数のホップを持つ回答エンティティを見つけることを目的としている。 我々は、モデルアーキテクチャとパラメータ学習の両方において、検索と推論を統合することで、マルチホップKGQAタスクの新しいアプローチであるUniKGQAを提案する。
  論文  参考訳（メタデータ） (2022-12-02T04:08:09Z)
• Discourse Analysis via Questions and Answers: Parsing Dependency Structures of Questions Under Discussion [57.43781399856913]
  この研究は、談話分析にQUD(Language framework of Questions Under discussion)を採用する。 我々は、文間の関係を、徹底的なきめ細かい質問とは対照的に、自由形式の質問として特徴づける。 完全文書上の質問の依存関係構造を導出する第一種QUDを開発する。
  論文  参考訳（メタデータ） (2022-10-12T03:53:12Z)
• 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)
• Focusing Knowledge-based Graph Argument Mining via Topic Modeling [43.69396080017806]
  文レベルの議論マイニングの課題について検討するが、議論は特定・理解するためにはある程度の世界知識が必要である。 話題モデルを用いて,構造化知識ベースWikidataから話題や文固有の証拠を抽出する。 また、構造化知識基盤の一般的な不完全性に対処するために、Googleが発見したトピック特化記事に基づく第2のグラフを構築した。
  論文  参考訳（メタデータ） (2021-02-03T14:39:58Z)
• SRLGRN: Semantic Role Labeling Graph Reasoning Network [22.06211725256875]
  この研究は、マルチホップ質問応答(QA)に対する学習と推論の課題を扱う。 本稿では,文の意味構造に基づくグラフ推論ネットワークを提案し,段落間の推論経路を学習する。 提案手法は,最近の最先端モデルと比較して,HotpotQAトラクタ設定ベンチマークにおける競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-07T18:51:17Z)
• Dependently Typed Knowledge Graphs [4.157595789003928]
  本稿では,標準セマンティックWeb技術(RDFとそのクエリ言語SPARQL)を依存型理論と統一的に再現する方法を示す。 知識グラフの基本機能を提供するのに加えて、依存型はエンティティとクエリの両方をエンコードする表現力を与えます。
  論文  参考訳（メタデータ） (2020-03-08T14:04:23Z)

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。