随笔分类 - A---篇章关系分析
摘要：# coding=utf-8 """PyTorch RoBERTa model. """ import math import warnings import fitlog import torch import torch.nn as nn import torch.nn.functional a
阅读全文
摘要：import sys import numpy as np from scipy import stats ### Normality Check # H0: data is normally distributed def normality_check(data_A, data_B, name,
阅读全文
摘要：import spacy from tqdm import tqdm import numpy as np # In[8] def adj_dependcy_tree(argments, max_length=80): nlp = spacy.load('en') depend = [] depen
阅读全文
摘要：Recognizing Implicit Discourse Relations via Repeated Reading: Neural Networks with Multi-Level Attention 实际上，在不同的篇章标注框架下，存在着多个具有内在联系的语料库。 为了利用不同篇章语料库
阅读全文
摘要：Motivation 数据稀疏问题、缺乏衡量单词对语义关系的指标。 distributed word representations处理数据稀疏问题有优势，深度学习模型在文本语义匹配上取得进展。 使用 word embeddings 作为输入 Gate relevance network捕捉单词对之
阅读全文
摘要：学习笔记 学习笔记 classification_report sklearn.metrics.classification_report(y_true, y_pred, labels = None, target_names = None, sample_weight = None, digits
阅读全文
摘要：Automatic sense prediction for implicit discourse relations in text（文本中隐含篇章关系的自动sense预测）（2009） 2009年，科普，快速看 Abstract(摘要) 提出了一系列 自动识别 隐含篇章关系 sense 的实验。
阅读全文
摘要：Easily Identifiable Discourse Relations(易于识别的篇章关系) 2008年，科普，快速看 Abstract(摘要) 提出基于PDTB研究，PDTB是一个人工标注的大型语料库，包含显式或隐式实现的contingency, comparison, temporal，
阅读全文
摘要：1. Introduction PDTB是基于一个简单的想法，即，篇章关系是建立在一组可识别的单词或短语（篇章连接词）或仅仅是在两个句子的邻接中。 本手册首先总结了PDTB-3中的新功能以及它与PDTB-2中的不同之处。 需要注意的是，PDTB-3中的每个token都标有其 出处，表明它是PDTB-
阅读全文
摘要：摘要 1. 引言（Introduction） 2. Annotation of Discourse Relations and their Arguments 显示连接词 Arg1论元位置，范围跨度都大 隐式连接词 阅读上下文来推断 AltLex、EntRel、NoRel用于不能提供隐含连接词的情况
阅读全文
摘要：0. 摘要 1. 引言 （1）有利于篇章文本结构化 （2）具有广泛的应用价值 篇章的因果关系：用于自动问答和事件关系抽取； 对比关系：用于研究情感分析； 扩展关系：用于自动文摘和篇章关键词抽取。 另外，在机器翻译中也得到广泛应用。 2. 语料资源 RSTDT、PDTB、HIT-CDTB RSTDT、
阅读全文
