理解角色与实体：面向自然语言推理的数据集与模型
计算与语言
2019-04-23 v1
摘要
我们提出了两个新数据集以及一种用于自然语言推理(NLI)的新型注意力机制。现有的神经NLI模型，即便在已有大型数据集上训练，也不能很好地捕捉实体与角色的概念，并经常犯诸如可由“John签了协议”推断出“Peter签了协议”的错误。这两个数据集旨在缓解此类问题，并使系统更好地理解“实体”与“角色”的概念。在新数据集上训练现有架构后，我们观察到现有架构在其中一个新基准上表现不佳。随后我们提出对“词到词”注意力函数进行修改，该函数在多个流行NLI架构中被统一复用。所得架构在现有基准上表现与其未修改的对应架构相当，并在关于“角色”与“实体”的新基准上表现显著更好。
引用
@article{arxiv.1904.09720,
title = {Understanding Roles and Entities: Datasets and Models for Natural Language Inference},
author = {Arindam Mitra and Ishan Shrivastava and Chitta Baral},
journal= {arXiv preprint arXiv:1904.09720},
year = {2019}
}