InsertGNN：图神经网络能否在托福句子插入问题上超越人类？
计算与语言
2026-01-08 v3
摘要
句子插入在自然语言处理（NLP）领域是一个引人入胜的挑战，但尚未获得应有的关注。现有聚焦于句子排列、文本一致性与问答的方法不足以解决此问题。为弥补这一缺口，我们提出 InsertGNN，将问题概念化为图并采用分层图神经网络（GNN）来理解句子间的相互作用。我们的方法在托福数据集上进行了严格评估，并借助跨域学习在庞大的 arXiv 数据集上进一步验证了其有效性。充分的实验明确确立了 InsertGNN 相对于所有对比基线的优越性，取得了令人印象深刻的 70% 准确率，其表现与平均人类测试分数相当。
引用
@article{arxiv.2103.15066,
title = {InsertGNN: Can Graph Neural Networks Outperform Humans in TOEFL Sentence Insertion Problem?},
author = {Fang Wu and Stan Z. Li},
journal= {arXiv preprint arXiv:2103.15066},
year = {2026}
}