ترغب بنشر مسار تعليمي؟ اضغط هنا

نمذجة الدول العقلية البشرية مع الرسم البياني السردي القائم على الكيان

Modeling Human Mental States with an Entity-based Narrative Graph

407   0   0   0.0 ( 0 )
 تاريخ النشر 2021
  مجال البحث الذكاء الاصناعي
والبحث باللغة English
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

يتطلب فهم النص السردي التقاط الدوافع والأهداف والدول الذهنية.تقترح هذه الورقة رسم بياني سرد قائم على الكيان (ENG) لنموذج الدول الداخلية من الشخصيات في القصة.نحن النموذج الصريح كيانات، وتفاعلاتهم والسياق الذي تظهر فيه، وتعلموا تمثيلات غنية لهم.نقوم بتجربة أهداف مختلفة من المهام المتكيفة مسبقا، والتدريب داخل المجال، والاستدلال الرمزي لالتقاط التبعيات بين القرارات المختلفة في مساحة الإنتاج.نقوم بتقييم نموذجنا على مهام فهم سردية: التنبؤ بالحالات العقلية للشخصية، والوفاء بالرغبة، وإجراء تحليل نوعي.

المراجع المستخدمة
https://aclanthology.org/
قيم البحث

اقرأ أيضاً

في تصنيف النص عبر اللغات، يطلب من أن البيانات التدريبية الخاصة بمهام المهام في لغات مصدر عالية الموارد متوفرة، حيث تكون المهمة مطابقة لتلك لغة مستهدفة منخفضة الموارد. ومع ذلك، يمكن أن يكون جمع هذه البيانات التدريبية غير ممكنة بسبب تكلفة العلامات وخصا ئص المهام ومخاوف الخصوصية. تقترح هذه الورقة حل بديل يستخدم فقط تضييق كلمة مهمة من المهام لغات الموارد عالية الموارد وقواميس ثنائية اللغة. أولا، نبني رسم بياني غير متجانس (DHG) من القواميس ثنائية اللغة. هذا يفتح إمكانية استخدام الشبكات العصبية الرسم البيانية للتحويل عبر اللغات. التحدي المتبقي هو عدم تجانس DHG لأنه يتم النظر في لغات متعددة. لمعالجة هذا التحدي، نقترح شبكة عصبية غير متجانسة مقرها القاموس (Dhgnet) التي تعالج بفعالية عدم تجانس DHG بشكل فعال بمقدار تجميعتين، وهي مجامعات على مستوى الكلمة ومستوى اللغة. توضح النتائج التجريبية أن أسلوبنا تفوق النماذج المحددة على الرغم من أنها لا تصل إلى كورسا كبيرة. علاوة على ذلك، يمكن أن يؤدي ذلك بشكل جيد على الرغم من أن القواميس تحتوي على العديد من الترجمات غير الصحيحة. تتيح قوتها لاستخدام مجموعة واسعة من القواميس مثل القاموس المصنوع تلقائيا وقاموس التعيد الجماعي، وهو أمر مناسب لتطبيقات العالم الحقيقي.
توفير تفسير موثوق للتشخيص السريري بناء على الرقم القياسي الطبي الإلكتروني (EMR) أمر أساسي لتطبيق الذكاء الاصطناعي في المجال الطبي. تعامل الأساليب الحالية في الغالب EMR كأسل تسلسل نصي وتوفير توضيحات بناء على قاعدة معرفة طبية دقيقة، وهي خاصة من الصعب ا لحصول عليها للخبراء في الواقع. لذلك، نقترح طريقة استخراج حقائق دعم حقائق متعددة التحبيبية متعددة الاستخدامات لاستخراج الحقائق الداعمة من غير النظامية EMR نفسها دون قواعد المعرفة الخارجية في هذه الورقة. على وجه التحديد، ننقل أولا تسلسل EMR إلى شبكة رسم بياني هرمي ثم الحصول على العلاقة السببية بين ميزات وتشخيص متعدد التحبيبية ونتائجها من خلال التدخل العالمي على الرسم البياني. ميزات وجود أقوى اتصال سببي مع النتائج توفر الدعم التفسيري للتشخيص. النتائج التجريبية على EMR الصينية الحقيقية من الوذمة الليمفية توضح أن طريقتنا يمكن أن تشخيص أربعة أنواع من EMR بشكل صحيح، ويمكن أن توفر حقائق داعمة دقيقة للنتائج. والأهم من ذلك، أن النتائج المتعلقة بالأمراض المختلفة توضح متانة نهجنا، والتي تمثل الطلب المحتمل في المجال الطبي.
تقدم هذه الورقة أول دراسة حول استخدام نماذج اللغة المدربة مسبقا على نطاق واسع للجيل الآلي من الرسم البياني الصخم على مستوى الحدث للحصول على مستند. على الرغم من النجاح الهائل لأساليب ما قبل التدريب العصبي في مهام NLP، لم يتم استكشاف إمكاناتها للمنطق ا لزمني على الرسوم البيانية في الأحداث بما فيه الكفاية. جزء من السبب هو صعوبة في الحصول على شركة تدريبية كبيرة مع أحداث مشروح بين الإنسان والروابط الزمنية. نحن نتطلع إلى هذا التحدي باستخدام أدوات IE / NLP الحالية لتوليد كمية كبيرة تلقائيا (89،000) من أزواج المستند المستندات المنتجة للنظام، واقتراح صياغة رواية لمشكلة جيل الرسم البياني للسياق كقوة تعيين تسلسل إلى تسلسل. تمكننا هذه الاستراتيجيات من الاستفادة من النماذج اللغوية التي تم تدريبها مسبقا على بيانات التدريب التي يسببها النظام المهمة لتوليد الرسم البياني. تظهر تجاربنا أن نهجنا فعال للغاية في توليد رسوم بيانية صحيحة هيكليا وذات رأسيا. علاوة على ذلك، يوضح التقييم على Corpus تحديا يدويا عن طريق اليد، أن أسلوبنا تتفوق على أقرب طريقة موجودة من خلال هامش كبير على عدة مقاييس. نعرض أيضا تطبيقا نهرما لنهجنا من خلال تكييفه للإجابة على الأسئلة الزمنية المفتوحة في إعداد فهم القراءة.
تهدف استخراج العلاقات القائم على الحوار (إعادة) إلى استخراج العلاقة بين الحججتين التي تظهر في حوار. نظرا لأن الحوارات لديها خصائص حوادث الضمير الشخصية العالية وكثافة المعلومات المنخفضة، وبما أن معظم الحقائق العلائقية في الحوارات لا تدعمها أي جملة واح دة، فإن استخراج العلاقات القائمة على الحوار يتطلب فهم شامل للحوار. في هذه الورقة، نقترح Network Network Commany Commany Computal Network (Tucore-GCN) على غرار الاهتمام بالطريقة التي يفهم بها الناس الحوارات. بالإضافة إلى ذلك، نقترح نهج رواية يعامل مهمة الاعتراف بالمحادثات في المحادثات (ERC) كإعادة حوار قائما. تثبت التجارب في DataSet مقصورة الحوار وثلاث مجموعات بيانات ERC أن طرازنا فعال للغاية في مهام فهم اللغة الطبيعية القائمة على الحوار. في هذه التجارب، تتفوق Tucore-GCN على النماذج الحديثة على معظم مجموعات البيانات القياسية. يتوفر الكود الخاص بنا في https://github.com/blacknoodle/tucore-gcn.
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.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا