نقترح إطارا لنموذج نفي محادثة تشغيلية من خلال تطبيق السياق الدنيوي (المعرفة السابقة) على النفي المنطقي في دلالات التوزيع التركيبية.بالنظر إلى كلمة، يمكن لإطارنا أن يخلق نفيها مما يشبه كيفية إدراك البشر النفي.يقوم الإطار بتصحيح النفي المنطقي معاني الوزن أقرب إلى التسلسل الهرمي الاستيباري أكثر من المعاني إلى حد بعيد.الإطار المقترح مرن لاستيعاب خيارات مختلفة من النفي المنطقي والتركيبات وتوليد السياق الدنيوي.على وجه الخصوص، نقترح ونحفز النفي المنطقي الجديد باستخدام مصفوفة معكوس.نحن نقوم بالتحقق من حساسية إطار نفي المحادثة لدينا عن طريق إجراء تجارب، واستفادة من مصفوف الكثافة لتشفير معلومات التسلل المتدرجة.نستنتج أن مزيج النفي للطرح والمسار في الأساس من الكلمة المنفذة تعطي أعلى ارتباط بيرسون ب 0.635 مع التقييمات البشرية.
We propose a framework to model an operational conversational negation by applying worldly context (prior knowledge) to logical negation in compositional distributional semantics. Given a word, our framework can create its negation that is similar to how humans perceive negation. The framework corrects logical negation to weight meanings closer in the entailment hierarchy more than meanings further apart. The proposed framework is flexible to accommodate different choices of logical negations, compositions, and worldly context generation. In particular, we propose and motivate a new logical negation using matrix inverse. We validate the sensibility of our conversational negation framework by performing experiments, leveraging density matrices to encode graded entailment information. We conclude that the combination of subtraction negation and phaser in the basis of the negated word yields the highest Pearson correlation of 0.635 with human ratings.
References used
https://aclanthology.org/
Formal semantics in the Montagovian tradition provides precise meaning characterisations, but usually without a formal theory of the pragmatics of contextual parameters and their sensitivity to background knowledge. Meanwhile, formal pragmatic theori
In this paper we describe our participation in the Lexical Complexity Prediction (LCP) shared task of SemEval 2021, which involved predicting subjective ratings of complexity for English single words and multi-word expressions, presented in context.
Event coreference resolution is an important research problem with many applications. Despite the recent remarkable success of pre-trained language models, we argue that it is still highly beneficial to utilize symbolic features for the task. However
This paper describes a compact and effective model for low-latency passage retrieval in conversational search based on learned dense representations. Prior to our work, the state-of-the-art approach uses a multi-stage pipeline comprising conversation
The next generation of conversational AI systems need to: (1) process language incrementally, token-by-token to be more responsive and enable handling of conversational phenomena such as pauses, restarts and self-corrections; (2) reason incrementally