ترغب بنشر مسار تعليمي؟ اضغط هنا

استنتاج الحكم مع المطالبة والعناصر المستردة باستخدام روبرتا

Verdict Inference with Claim and Retrieved Elements Using RoBERTa

254   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

اجتذبت التحقق من الحقائق التلقائي اهتماما بالبحوث الحديثة باعتباره نشر متزايد للتضليل على منصات وسائل التواصل الاجتماعي.تقدم المهمة المشتركة الحميرة معيارا للتحقق من الحقائق، حيث يتم تحدي النظام للتحقق من المطالبة المعينة باستخدام العناصر الواضحة المستخرجة من وثائق ويكيبيديا.في هذه الورقة، نقترح نظامنا الثالث الذي يتكون نظامنا الثالث من ثلاثة مراحل يتكون من استرجاع المستندات، واسترجاع العناصر، والاستدلال الحكم للمهمة المشتركة الحمية.من خلال النظر في أهمية السياق في مهمة استخراج الحقائق والتحقق، فإن نظامنا يحقق 0.29 درجة حمامة على مجموعة التطوير و 0.25 درجة حمامة على مجموعة الاختبار العمياء، سواء تتفوق على خط الأساس الحمير.

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

اقرأ أيضاً

عملية التحقق من المطالبة تحديا لأنها تتطلب أولا العثور على أدلة نصية ثم قم بتطبيق تستيط أدلة المطالبة للتحقق من مطالبة.تقوم Works السابقة بتقييم خطوة الاستقبال استنادا إلى الأدلة المستردة، في حين أننا نفترض أن التنبؤ الاستيباري يمكن أن يوفر إشارات مف يدة لاسترجاع الأدلة، بمعنى أنه إذا كانت الجملة تدعم مطالبة أو يجب أن تكون الجملة ذات صلة.نقترح نموذج جديد يستخدم النتيجة الاستقبال للتعبير عن الملاءمة.تجاربنا تحقق من أن الاستفادة من التنبؤ التنفيذ يحسن الترتيب قطع متعددة من الأدلة.
توضح هذه المقالة البحث عن التحقق من المطالبة المنفذة باستخدام نموذج متعدد القائم على GAN.يتكون النموذج المقترح من ثلاثة أزواج من المولدات والتمييز.المولد والأزواج التمييزية مسؤولة عن توليد البيانات الاصطناعية للمطالبات المدعومة والمطالبة الدوحدة وتسم يات المطالبة.يتم توفير مناقشة نظرية حول النموذج المقترح للتحقق من صحة حالة التوازن للنموذج.يتم تطبيق النموذج المقترح على مجموعة بيانات الحمى، يتم استخدام نموذج لغة مدرب مسبقا لبيانات نص الإدخال.تساعد البيانات التي تم إنشاؤها بشكل شبكي على الحصول على معلومات تعمل على تحسين أداء التصنيف فوق خطوط الأساس الفنية.عشر درجات F1 المعنية بعد تطبيق الأسلوب المقترح في Fever 1.0 ومجموعات بيانات Fever 2.0 هي 0.65 + -0.018 و 0.65 + -0.051.
بالنظر إلى لوائح التناقض الاجتماعي الحالية في جميع أنحاء العالم، أصبحت وسائل التواصل الاجتماعي الوضع الأساسي للتواصل لمعظم الناس. وقد عزل هذا الملايين الذين يعانون من الأمراض العقلية الذين لا يستطيعون الحصول على المساعدة شخصيا. لقد تحولوا بشكل متزايد إلى المنصات عبر الإنترنت للتعبير عن أنفسهم والبحث عن إرشادات في التعامل مع أمراضهم. مع مراعاة ذلك، نقترح حلا لتصنيف وظائف المرض العقلي على وسائل التواصل الاجتماعي مما يتيح للمستخدمين طلب المساعدة المناسبة. في هذا العمل، صنف خمسة أنواع بارزة من الأمراض العقلية - الاكتئاب والقلق والاضطراب الثنائي القطبية و ADHD و PTSD عن طريق تحليل بيانات المستخدم غير منظم على Reddit. بالإضافة إلى ذلك، نشارك بيانات DataSet1 جديدة عالية الجودة لدفع البحث في هذا الموضوع. تتكون DataSet من عنوان ونصوص نشرها من 17159 وظيفة و 13 Subreddits كل واحد مرتبط بأحد الأمراض العقلية الخمس المذكورة أعلاه أو بدون فئة تشير إلى عدم وجود أي مرض عقلي. يتم تدريب النموذج الخاص بنا على بيانات Reddit ولكنه قابل للتوسيع بسهولة لمنصات وسائل التواصل الاجتماعي الأخرى وكذلك أظهرت في نتائجنا. نعتقد أن عملنا هو أول نموذج متعدد الطبقات يستخدم بنية تحويل محولات مثل روبرتا لتحليل عواطف الناس و علم النفس. نحن نوضح أيضا كيف نشدد اختبار نموذجنا باستخدام الاختبار السلوكي. تتوفر DataSet علنا ​​علنا ​​ونشجع الباحثين على الاستفادة من ذلك لتحقيق البحث في هذه الساحة. نأمل أن يساهم هذا العمل في نظام الصحة العامة بأتمتة بعض عمليات الكشف وتنبيه السلطات المختصة عن المستخدمين الذين يحتاجون إلى مساعدة فورية.
تحليل المعنويات المستندة إلى جانب الجسيم (ABASA)، تهدف إلى التنبؤ بأقطاب الجوانب، هي مهمة جيدة المحبوس في مجال تحليل المعنويات. وأظهر العمل السابق معلومات النحوية، على سبيل المثال أشجار التبعية، يمكن أن تحسن بشكل فعال أداء ABSA. في الآونة الأخيرة، أظ هرت النماذج المدربة مسبقا (PTMS) أيضا فعاليتها على ABAMA. لذلك، تنشأ السؤال بشكل طبيعي ما إذا كانت PTMs تحتوي على معلومات نصنية كافية ل ABAMA حتى نتمكن من الحصول على نموذج ABSA جيد فقط بناء على PTMS. في هذه الورقة، نقارن أولا الأشجار المستحثة من PTMS وأشجار تحليل التبعية في العديد من النماذج الشعبية لمهمة ABASA، والتي توضح أن الشجرة المستحقة من روبرتا الصعبة (FT-Roberta) تتفوق على الشجرة التي قدمتها المحلل المحاور. تكشف تجارب التحليل الإضافي أن شجرة FT-Roberta المستحقة أكثر من المعنويات - الموجهة إلى كلمة ويمكن أن تفيد مهمة ABASA. تشير التجارب أيضا إلى أن النموذج النقي المستند إلى روبرتا يمكن أن تفوق أو تقريب من عروض SOTA السابقة على ست مجموعات بيانات عبر أربع لغات لأنها تتضمن ضمنيا المعلومات الأساسية الموجهة نحو المهام.
قد يتم تنفيذ أنواع معينة من مشاكل التصنيف على مستويات متعددة من الحبيبات؛ على سبيل المثال، قد نريد معرفة قطبية المعنويات وثيقة أو جملة أو عبارة. في كثير من الأحيان، قد يكون التنبؤ في سياق أكبر (على سبيل المثال، الجمل أو الفقرات) أمرا مفيدا للتنبؤ أكث ر تجميعية في وحدة دلالية أصغر (مثل الكلمات أو العبارات). ومع ذلك، قد يستنتج بشكل مباشر أكثر الميزات المحلية البارزة من التنبؤ العالمي من التوقعات العالمية في دلالات هذه العلاقة. يجادل هذا العمل بأن الاستدلال على طول العلاقة بين المواجهة بالتنبؤ المحلي والتنبؤ العالمي المقابل يجعل إطار الاستدلال أكثر دقة وقوية للضوضاء. نوضح كيف يمكن تنفيذ إطار الخازن هذا كدالة نقل تعمل على إعادة كتابة سياق أكبر من فئة واحدة إلى أخرى وإظهار كيفية تدريب وظيفة النقل المناسبة من كوربوس الناتج عن المستخدم صاخبة. تتحقق النتائج التجريبية البصيرة الخاصة بنا أن إطار المواقد المقترح يتفوق على النهج البديلة على مجالات المشكلات المقيدة بالموارد.

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