本周看了一篇论文，论文的题目为：Towards Better Non-Tree Argument Mining: Proposition-Level Biaffifine Parsing with Task-Specifific Parameterization，即走向更好的非树论点挖掘：具有任务特定参数化的命题级双仿射解析。（论文来源：2020-ACL）
目前，大部分的研究都致力于树结构的论点挖掘，然而这些技术缺乏处理更灵活的论点的能力，比如原因边，一个命题（观点）可以有几个父点。该篇论文着重于使用神经模型进行非树论点挖掘，预测命题类型和命题之间的边缘。提出的模型包含了任务特定参数化（TSP），它有效地编码了一系列命题（观点、主张）；命题级双仿射注意（PLBA），它可以预测由边组成的非树论点。实验结果表明，与baseline相比，TSP和PLBA都提高了边的预测性能。
用到的两个模型如下：
Task-Specifific Parameterization (TSP)
TSP用两个不同的attention-to-encoder层去保持任务特定的表示。一个用于命题类型，另一个用于边和标签。
Proposition-Level Biaffifine Attention (PLBA)
将双仿射的注意力扩展到预测命题对命题的依赖关系。
该篇论文用到的数据集为CDCP，即Cornell eRulemaking Corpus，康奈尔大学规则制定语料库，它会有更多的灵活边。
任务格式化：
输入：先进行序列标注，先分词（标记为1-N），然后标记每个命题（有M个命题，i）的开始位置和结束位置，记为一对标签。
输出：对于每个给定的跨度i，我们预测它的命题类型、出边和边标签，其中图不一定形成树。
具体方法：
使用wt来表示第t个单词特征集合的连接，每个集合包括一个曲面、一个词性标签、一个GloVe向量和一个可选的ELMo向量。span i的输入词被输入到一个双向的LSTM中：
hSTART(i):END(i) = BILSTM wSTART(i):END(i) .
然后再用双反射注意力技术，最后计算正确分类的得分。
心得：
在我们的模型训练中，我们也可以用到非树结构的论证语料库，因此，我们也可以尝试着使用该篇论文用到的模型，这样可以扩宽语料库以及论点挖掘的类型。
标签：标签,语料库,论文,29,笔记,命题,论点,2022.10,TSP From： https://www.cnblogs.com/qiqi-yi/p/16840097.html