論文の概要: QA-Noun: Representing Nominal Semantics via Natural Language Question-Answer Pairs

• arxiv url: http://arxiv.org/abs/2511.12504v1
• Date: Sun, 16 Nov 2025 08:32:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:24.28552
• Title: QA-Noun: Representing Nominal Semantics via Natural Language Question-Answer Pairs
• Title（参考訳）: QA-Noun: 自然言語による名詞意味論の表現-回答ペア
• Authors: Maria Tseytlin, Paul Roit, Omri Abend, Ido Dagan, Ayal Klein,
• Abstract要約: 名詞中心の意味関係を捉えるためのQAベースのフレームワークであるQA-Nounを紹介する。 詳細なガイドライン、2000以上の注釈付き名詞のデータセット、およびQA-SRLと統合されたトレーニングモデルをリリースする。
• 参考スコア（独自算出の注目度）: 20.091777405419286
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Decomposing sentences into fine-grained meaning units is increasingly used to model semantic alignment. While QA-based semantic approaches have shown effectiveness for representing predicate-argument relations, they have so far left noun-centered semantics largely unaddressed. We introduce QA-Noun, a QA-based framework for capturing noun-centered semantic relations. QA-Noun defines nine question templates that cover both explicit syntactical and implicit contextual roles for nouns, producing interpretable QA pairs that complement verbal QA-SRL. We release detailed guidelines, a dataset of over 2,000 annotated noun mentions, and a trained model integrated with QA-SRL to yield a unified decomposition of sentence meaning into individual, highly fine-grained, facts. Evaluation shows that QA-Noun achieves near-complete coverage of AMR's noun arguments while surfacing additional contextually implied relations, and that combining QA-Noun with QA-SRL yields over 130\% higher granularity than recent fact-based decomposition methods such as FactScore and DecompScore. QA-Noun thus complements the broader QA-based semantic framework, forming a comprehensive and scalable approach to fine-grained semantic decomposition for cross-text alignment.
• Abstract（参考訳）: 文を細粒度の意味単位に分解することは意味的アライメントをモデル化するためにますます使われる。 QAに基づくセマンティックアプローチは述語-代名詞関係を表現する効果を示したが、これまでは名詞中心のセマンティックスはほとんど適用されていない。 名詞中心の意味関係を捉えるためのQAベースのフレームワークであるQA-Nounを紹介する。 QA-Nounは9つの質問テンプレートを定義し、名詞の明示的な構文的役割と暗黙的な文脈的役割の両方をカバーし、言語QA-SRLを補完する解釈可能なQAペアを生成する。 我々は、詳細なガイドライン、2000以上の注釈付き名詞の言及のデータセット、およびQA-SRLと統合された訓練されたモデルをリリースし、個々の、非常にきめ細かな事実に文の意味を統一的に分解する。 QA-Noun と QA-SRL を組み合わせれば FactScore や DecompScore といった最近のファクトベース分解法よりも130 % 以上の粒度が得られる。 QA-Nounは、より広範なQAベースのセマンティックフレームワークを補完し、クロステキストアライメントのためのきめ細かいセマンティック分解に対する包括的でスケーラブルなアプローチを形成する。

関連論文リスト

• Localizing Factual Inconsistencies in Attributable Text Generation [74.11403803488643]
  本稿では,帰属可能なテキスト生成における事実の不整合をローカライズするための新しい形式であるQASemConsistencyを紹介する。 QASemConsistencyは、人間の判断とよく相関する事実整合性スコアを得られることを示す。
  論文  参考訳（メタデータ） (2024-10-09T22:53:48Z)
• SQUARE: Automatic Question Answering Evaluation using Multiple Positive and Negative References [73.67707138779245]
  SQuArE (Sentence-level QUestion AnsweRing Evaluation) という新しい評価指標を提案する。 文レベルの抽出(回答選択)と生成(GenQA)の両方のQAシステムでSQuArEを評価する。
  論文  参考訳（メタデータ） (2023-09-21T16:51:30Z)
• QASem Parsing: Text-to-text Modeling of QA-based Semantics [19.42681342441062]
  本稿では,QA-SRL,QANom,QADiscourseの3つの意味的タスクについて考察する。 最初に統合されたQASem解析ツールをリリースし、下流アプリケーションに実用的です。
  論文  参考訳（メタデータ） (2022-05-23T15:56:07Z)
• QA-Align: Representing Cross-Text Content Overlap by Aligning Question-Answer Propositions [12.264795812337153]
  本稿では,情報統合のための足場として,テキスト間の述語関係の整合性を提案する。 我々の設定はQA-SRLを利用して、質問応答ペアを用いて述語-論証関係をキャプチャする。 分析によると、私たちの新しいタスクはセマンティックに困難であり、語彙的類似性を超えてコンテンツの重複を捉えている。
  論文  参考訳（メタデータ） (2021-09-26T17:19:48Z)
• Question Answering over Knowledge Bases by Leveraging Semantic Parsing and Neuro-Symbolic Reasoning [73.00049753292316]
  本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。 NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-12-03T05:17:55Z)
• QADiscourse -- Discourse Relations as QA Pairs: Representation, Crowdsourcing and Baselines [22.103540930959237]
  本稿では,会話関係をQAペアとして表現する新しい手法を提案する。 提案した表現に基づいて,新しい広範囲QADiscourseデータセットと,QADiscourse関係を予測するためのベースラインアルゴリズムを収集する。
  論文  参考訳（メタデータ） (2020-10-06T15:25:15Z)
• Generating Diverse and Consistent QA pairs from Contexts with Information-Maximizing Hierarchical Conditional VAEs [62.71505254770827]
  非構造化テキストを文脈として与えられたQAペアを生成するための条件付き変分オートエンコーダ(HCVAE)を提案する。 我々のモデルは、トレーニングにわずかなデータしか使わず、両方のタスクの全てのベースラインに対して印象的なパフォーマンス向上が得られる。
  論文  参考訳（メタデータ） (2020-05-28T08:26:06Z)
• Template-Based Question Generation from Retrieved Sentences for Improved Unsupervised Question Answering [98.48363619128108]
  擬似学習データを用いてQAモデルを訓練するための教師なしアプローチを提案する。 関連した検索文に簡単なテンプレートを適用してQA学習のための質問を生成すると、元の文脈文よりも、下流QAのパフォーマンスが向上することを示す。
  論文  参考訳（メタデータ） (2020-04-24T17:57:45Z)

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。