Обнаружение позиции на уровне твитов без обучения с примерами, усиленное внешними знаниями и рефлексивным рассуждением по цепи мыслей

Исследователи предлагают KIRP — фреймворк обнаружения позиции без обучения с примерами (zero-shot), который решает проблему разреженности контекста и нерелевантности неявных целей в коротких текстах за счёт интеграции внешних знаний с рефлексивным рассуждением по цепи мыслей. В исследовании также представлена первая японская датасет на уровне твитов для обнаружения позиции, предназначенная для поддержки многозадачной оценки.

• KIRP использует графы знаний для дополнения и переорганизации ключевых текстовых сущностей для аугментации данных.
• Для извлечения и валидации неявных целей в тексте применяется рефлексивное рассуждение по цепи мыслей.
• Контрастное обучение с учётом позиции и трёхслойная итеративная сеть прототипов различают метки «нейтральная» и «нерелевантная».
• Фреймворк достигает состояния передового опыта (state-of-the-art) с показателями F1: 84,05% на SemEval-2016, 84,99% на WT-WT и 79,18% на новом датасете KIRP-D.