تحسين العقوبة القائمة على الرسم البياني الطلب مع أمر الزوجية المتوقعة بشكل متكرر

يمكن تصنيف نماذج ترتيب الجملة المهيمنة في طرازات طلب الزوجية ونماذج ضبط التسلسل. ومع ذلك، هناك محاولة قليلة للجمع بين هذين النوعين من النماذج، والتي تمتلك بمثابة مزايا تكميلية. في هذه الورقة، نقترح إطارا رواية ترتيب جملة جديدة يقدم اثنين من المصنفين لتحقيق استخدام أفضل لطلبات الزوجية لطلب الجملة القائمة على الرسم البياني (يين وآخرون 2019، 2021). خصيصا، بالنظر إلى الرسم البياني للكيان الجماعي الأولي، نقدم أولا مصنف في الرسم البياني للتنبؤ بأمر الزوج بين الجمل المرتبطة. بعد ذلك، بطريقة تكرارية، استنادا إلى الرسم البياني الذي تم تحديثه من قبل طلبات الزوجية عالية الواثقة مسبقا، يتم استخدام مصنف آخر للتنبؤ بأمر الزوج غير المؤكد. أخيرا، نحن نتكيف مع نموذج طلب جملة قائمة على أساس GRN (يين وآخرون 2019، 2021) على أساس الرسم البياني النهائي. تجارب على خمسة مجموعات بيانات شائعة الاستخدام توضح فعالية وعمل نموذجنا. خاصة، عند تزويد Bert (Devlin et al. 2019) و FHDecoder (يين وآخرون 2020)، ينص نموذجنا على أداء الحديث عن الفن. يتوفر الكود الخاص بنا في https://github.com/deeplearnxmu/irseg.

Dominant sentence ordering models can be classified into pairwise ordering models and set-to-sequence models. However, there is little attempt to combine these two types of models, which inituitively possess complementary advantages. In this paper, we propose a novel sentence ordering framework which introduces two classifiers to make better use of pairwise orderings for graph-based sentence ordering (Yin et al. 2019, 2021). Specially, given an initial sentence-entity graph, we first introduce a graph-based classifier to predict pairwise orderings between linked sentences. Then, in an iterative manner, based on the graph updated by previously predicted high-confident pairwise orderings, another classifier is used to predict the remaining uncertain pairwise orderings. At last, we adapt a GRN-based sentence ordering model (Yin et al. 2019, 2021) on the basis of final graph. Experiments on five commonly-used datasets demonstrate the effectiveness and generality of our model. Particularly, when equipped with BERT (Devlin et al. 2019) and FHDecoder (Yin et al. 2020), our model achieves state-of-the-art performance. Our code is available at https://github.com/DeepLearnXMU/IRSEG.