用于可读性评估的神经成对排序模型
计算与语言
2022-03-16 v1 人工智能
机器学习
摘要
自动可读性评估（ARA）即给文本指派阅读级别，在传统 NLP 研究中被视为分类问题。本文中，我们提出首个用于 ARA 的神经成对排序方法，并与现有分类、回归及（非神经）排序方法比较。我们利用三个英文、一个法文与一个西班牙文数据集开展实验确立模型性能。我们证明该方法在单语单语料/跨语料测试场景中表现良好，且在英文数据训练下对法文与西班牙文实现超过 80% 的零样本跨语言排序准确率。此外，我们还发布了一个新的英文—法文平行双语可读性数据集。据我们所知，本文提出了首个用于 ARA 的神经成对排序模型，并展示了神经模型下 ARA 的跨语言零样本评估的首批结果。
引用
@article{arxiv.2203.07450,
title = {A Neural Pairwise Ranking Model for Readability Assessment},
author = {Justin Lee and Sowmya Vajjala},
journal= {arXiv preprint arXiv:2203.07450},
year = {2022}
}
备注
to appear in Findings of ACL 2022