اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدECNU \ _ICA \ _1 Semeval-2021 المهمة 4: الاستفادة من شبكات اهتمام الرسوم البيانية المحسنة المعرفة لمعرفة الفهم من معنى مجردة
ECNU\_ICA\_1 SemEval-2021 Task 4: Leveraging Knowledge-enhanced Graph Attention Networks for Reading Comprehension of Abstract Meaning
310
0 0
0.0
(
0
)
نشر من قبل
جمعية اللغويات الحاسوبية ACL مقالة
تاريخ النشر
2021
مجال البحث
الذكاء الاصناعي
والبحث باللغة
English
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
تصف هذه الورقة نظامنا للحصول على مهمة Semeval-2021 4: قراءة الفهم من معنى مجردة.لإنجاز هذه المهمة، نستخدم الهندسة المعمارية لشبكة إيلاءات الرسوم البيانية المعززة للمعرفة مع استراتيجية تحويل الفضاء الدلالي الردد.إنه يرفع المعرفة غير المتجانسة لتعلم الأدلة الكافية، ويسعى للحصول على مساحة دلالية فعالة من المفاهيم المجردة لتحسين قدرة الجهاز بشكل أفضل على فهم المعنى التجريدي للغة الطبيعية.تظهر النتائج التجريبية أن نظامنا يحقق أداء قويا في هذه المهمة من حيث كلا من غير المحتملة وغير المعقدة.
This paper describes our system for SemEval-2021 Task 4: Reading Comprehension of Abstract Meaning. To accomplish this task, we utilize the Knowledge-Enhanced Graph Attention Network (KEGAT) architecture with a novel semantic space transformation strategy. It leverages heterogeneous knowledge to learn adequate evidences, and seeks for an effective semantic space of abstract concepts to better improve the ability of a machine in understanding the abstract meaning of natural language. Experimental results show that our system achieves strong performance on this task in terms of both imperceptibility and nonspecificity.
المراجع المستخدمة
https://aclanthology.org/
قيم البحث
اقرأ أيضاً
تقدم هذه الورقة المهمة المشتركة Semeval-2021 4: قراءة الفهم من معنى مجردة (Recam). تم تصميم هذه المهمة المشتركة للمساعدة في تقييم قدرة الآلات في تمثيل وفهم مفهوم مجردة. يتعين على النظام المقابل، من المتوقع أن يختار نظام المشاركة، الإجابة الصحيحة من خ
مسة مرشحين من المفاهيم المجردة في الفهم مهام. بناء على اثنين من التعريفات النموذجية للمخراج، أي غير محسنة وغير محددة، توفر مهمتنا ثلاثة مجموعات فرعية لتقييم قدرة النماذج في فهم النوعين من المعنى التجريدي وتعميم النماذج. على وجه التحديد، يهدف فرقة فرعية 1 إلى تقييم مفاهيم نماذج النظام المشاركة التي لا يمكن أن ينظر إليها مباشرة في العالم المادي. يركز SubTask 2 على قدرة النماذج في فهم مفاهيم غير محددة تقع عالية في التسلسل الهرمي Hypernym نظرا لسياق مرور. يهدف SubTask 3 إلى توفير بعض الأفكار حول تعميم النماذج على النوعين من الممرضين. خلال فترة التقييم الرسمية SEMEVAL-2021، تلقينا 23 تقريرا إلى الفرعية 1 و 28 إلى الفريق الفرعي 2. قدمت الفرق المشاركة بالإضافة إلى ذلك 29 تقريرا إلى الفرع الفرعي 3. يمكن العثور على موقع المتصدرين ومواقع المنافسة في HTTPS: //competitions.codalab. ORG / المسابقات / 26153. تتوفر بيانات البيانات وخطوط الأساس في https://github.com/boyuanzheng010/semeval2021-Reading-comprehension-of-Abstract-meaning.
تصف هذه الورقة النظام الفائز ل SubTask 2 والنظام الموضح الثاني لبرنامج التعرية الفرعية 1 في مهمة Semeval 2021 4: قراءة القراءة من معنى مجردة.نقترح استخدام جهاز تمييز Electra المصدر الذي يزعجني اختيار أفضل كلمة مجردة من خمسة مرشحين.يتم إدخال آلية الاه
تمام العلوي والتنمية التلقائي لمعالجة التسلسلات الطويلة.توضح نتائج التجربة أن هذه المساهمة إلى حد كبير تسهيل النمذجة في اللغة السياقية في مهمة قراءة الفهم.تتم دراسة الاجتثاث أيضا لإظهار صلاحية أساليبنا المقترحة.
تركز معظم مهام الإجابة على معظم الأسئلة على التنبؤ بإجابات ملموسة، مثل الكيانات المسماة.يمكن تحقيق هذه المهام عادة عن طريق فهم السياقات دون وجود معلومات إضافية مطلوبة.في قراءة الفهم من المهمة المعنى التجريدي (إعادة التقييم)، يتم تقديم الإجابات المجرد
ة.لفهم معاني مجردة في السياق، المعرفة الإضافية ضرورية.في هذه الورقة، نقترح نهج يهدف إلى أن يشرف رصيد بيرت المدرب مسبقا كموارد معرفة مسبقة.وفقا للنتائج، فإن نهجنا باستخدام بيرت المدربة مسبقا تفوقت على الأساس.إنه يدل على أنه يمكن استخدام Abeddings Token Bertken المدربة مسبقا كمعرفة إضافية لفهم المعاني المجردة في الإجابة على الأسئلة.
تصف هذه الورقة نظامنا للمهمة 4 من Semeval-2021: قراءة الفهم من معنى مجردة (Recam).شاركنا في جميع المهام الفرعية حيث كان الهدف الرئيسي هو التنبؤ بكلمة مجردة مفقودة من بيان.نحن نضرب نماذج اللغة الملثمين المدربة مسبقا وهي بيرت وألبرت واستخدمت فرقة لهؤلا
ء كأنها نظامنا المقدمة على المراكز الفرعية 1 (إعادة التقييم - عقيدة) و Subtask 2 (إعادة التقييد - غير المعقدة).بالنسبة إلى Subtask 3 (تقاطع إعادة التقييد)، أرسلنا نموذج ألبرت لأنه يعطي أفضل النتائج.حاولنا نهج متعددة وجدنا أن النهج القائم على نمذجة اللغة الملثم (MLM) يعمل الأفضل.
تهدف مهمة Sereval 4 إلى إيجاد خيار مناسب من المرشحين المتعددين لحل مهمة فهم القراءة في الجهاز.تقترح معظم الأساليب الموجودة على Concat السؤال والخيار معا لتشكيل نموذج على دراية بالسياق.ومع ذلك، نقول أن التسلسلات المباشرة يمكن أن توفر فقط سياقا محظوظا
فقط لمهمة MRC، مما يتجاهل المواقف المحددة للخيار بالنسبة للسؤال.في هذه الورقة، نقترح نموذج رواية MRC عن طريق تعبئة الخيارات في السؤال لإنتاج سياق جيد المحبوس (يعرف بأنه ملخص) يمكن أن تكشف بشكل أفضل عن العلاقة بين الخيار والسؤال.نقوم بإجراء سلسلة من التجارب على مجموعة البيانات المعينة، وتظهرت النتائج أن نهجنا يفوق النظرات الأخرى النظراء إلى حد كبير.
الأسئلة المقترحة
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
