基于Transformer的模型用于论元关系自动识别：跨领域评估
摘要
论元挖掘(Argument Mining)被定义为自动识别与抽取论元组件(如前提、主张等)并检测其间现存关系(即支持、攻击、重述、无关系)的任务。解决该问题时的主要问题之一是数据缺乏，以及公开可用语料库规模有限。本工作中，我们使用最近标注的US2016辩论语料库。US2016是现有最大的论元标注语料库，其使得在如论元(关系)挖掘这类复杂领域中探索自然语言处理最新进展的益处成为可能。我们给出了基于transformer的模型(即BERT、XLNET、RoBERTa、DistilBERT与ALBERT)在预测论元关系时行为的详尽分析。最后，我们在五个不同领域评估这些模型，旨在找出领域依赖性最小的模型。我们在US2016评估语料库上获得0.70的宏F1分数，在Moral Maze跨领域语料库上获得0.61的宏F1分数。
引用
@article{arxiv.2011.13187,
title = {Transformer-Based Models for Automatic Identification of Argument Relations: A Cross-Domain Evaluation},
author = {Ramon Ruiz-Dolz and Stella Heras and Jose Alemany and Ana García-Fornes},
journal= {arXiv preprint arXiv:2011.13187},
year = {2021}
}
备注
\c{opyright} 2021 IEEE. Personal use of this material is permitted. Permission from IEEE must be obtained for all other uses, in any current or future media, including reprinting/republishing this material for advertising or promotional purposes, creating new collective works, for resale or redistribution to servers or lists, or reuse of any copyrighted component of this work in other works