Beyond SELECT: A Comprehensive Taxonomy-Guided Benchmark for Real-World Text-to-SQL Translation
ByteDance, China(字节跳动)
本文提出了一种基于分类的文本到SQL数据集生成方法,通过引入新的分类体系和数据合成管道,生成了更具多样性和覆盖性的SQL-Synth数据集,同时揭示了现有LLMs在复杂场景下的性能局限性。
2025-11-24 cs.AI cs.CL
Dense Paraphrasing for Textual Enrichment
Brandeis University(布兰迪斯大学)
从文本中理解推理和回答问题需要的不仅仅是恢复与查询词相关联的表面参数、参数或字符串。作为人类,我们通过填补缺失的信息和推理事件的后果,将句子解释为叙述或话语的语境化成分。在本文中,我们定义的过程中重写的文本表达(词素或短语),使其减少歧义,同时也明确的底层语义,是不(不一定)表示在经济的句子结构密集释义(DP)。我们构建了第一个完整的DP数据集,提供了注释任务的范围和设计,并展示了DP过程如何丰富源文本以提高推理和QA任务性能的结果。数据和源代码将公开。
2022-10-20 cs.AI cs.CL
Taxonomy-Targeted Error Generation for Quantitative Reasoning
CUNY Graduate Center(纽约大学研究生中心);CUNY Queens College(纽约市立大学皇后学院)
提出一个框架,通过生成针对Bloom分类学五类错误的合成误解,以诊断LLM推理能力,并发现目标错误生成比自由形式错误生成更难。
2026-07-21 cs.CL
Benchmarking Sociolinguistic Diversity in Swahili NLP: A Taxonomy-Guided Approach
Department of IT, Analytics, and Operations University of Notre Dame(信息科技、分析与运营系 纽约大学)
本研究首次以分类法引导评估斯瓦希里语NLP的社会语言多样性,构建含部落影响等特征的2170条肯尼亚使用者数据集,分析模型错误,推进文化评估框架并揭示社会语言变异对模型性能的影响。
2025-08-06 cs.CL cs.CY
TEAMMix: Taxonomy Enrichment Augmentation and Minority-augmented Mixing Strategy for LLM-enhanced Weak-Supervised Hierarchical Text Classification
School of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);ZJU-UIUC Institute, Zhejiang University(浙江大学ZJU-UIUC研究院);Shaoxing K3i Technology Co. Ltd(绍兴K3i科技有限公司);State Key Laboratory of CAD&CG, Zhejiang University(浙江大学CAD&CG国家重点实验室)
针对LLM应用于分层文本分类的局限,本文提出TEAMMix框架,通过丰富标签层次、生成伪样本并优化其质量,提升了细粒度及不平衡数据集上的分类性能。
2026-08-12 cs.CL
TELEClass: Taxonomy Enrichment and LLM-Enhanced Hierarchical Text Classification with Minimal Supervision
University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Science and Technology of China(中国科学技术大学);Google Deepmind(谷歌DeepMind)
本文提出TELEClass方法,通过结合LLM通用知识与未标注语料挖掘的类别指示特征来丰富分类体系,并设计面向层次场景的LLM数据标注与生成方法,在仅使用类别名称的最小监督下显著提升层次文本分类性能并大幅降低推理成本。
2025-02-05 cs.CL cs.LG
Semi-automated Fact-checking in Portuguese: Corpora Enrichment using Retrieval with Claim extraction
Universidade Federal de Goiás (UFG)(巴西戈亚尼亚联邦大学)
本论文提出一种利用LLM提取声明并检索外部证据的方法,有效增强了葡萄牙语新闻事实核查语料库,并引入数据预处理框架提升质量。
2025-07-19 cs.AI cs.CL cs.IR
Enriching Taxonomies Using Large Language Models
Télécom Paris, Institut Polytechnique de Paris(巴黎电信学院,巴黎理工学院)
本文提出Taxoria,利用大型语言模型丰富现有分类体系,通过候选节点生成与验证提升分类的覆盖范围和准确性。
2025-11-21 cs.AI cs.CL cs.IR
Learning Taxonomy for Text Segmentation by Formal Concept Analysis
"Babe s-Bolyai" University Cluj-Napoca, Romania
本文探讨了从文本中导出分类法和面向概念的文本分割问题。形式概念分析(FCA)方法被用来解决这两个语言问题。建议的分割方法提供了一个概念性的观点,文本分割,使用上下文驱动的句子聚类。面向概念的聚类分割算法(COCS)是基于k-均值线性聚类的句子。使用COCS算法获得的实验结果。
2010-10-12 cs.CL
CHisAgent: A Multi-Agent Framework for Event Taxonomy Construction in Ancient Chinese Cultural Systems
The Hong Kong Polytechnic University(香港理工大学);Renmin University of China(中国人民大学)
CHisAgent通过多智能体框架实现古代中国历史事件的自动分类,提升历史知识组织与跨文化理解能力。
2026-10-08 cs.CL
A Deep Learning Approach for Ontology Enrichment from Unstructured Text
IIIT Hyderabad(海得拉巴国际信息技术研究所)
网络世界中的信息安全是一个令人担忧的主要原因,攻击面的数量显著增加。网络上现有的漏洞、攻击、控制和漏洞信息提供了一个展示知识和执行安全分析的机会,以减轻一些担忧。以本体的形式表示安全知识有助于异常检测,威胁情报,推理和攻击的相关性归属等。这就需要动态和自动地丰富信息安全本体。然而,现有的基于自然语言处理和ML模型的本体丰富算法在单词、短语和句子中的概念的上下文提取方面存在问题。这激发了对顺序深度学习架构的需求,该架构遍历文本中的依赖路径,并从学习的路径表示中提取嵌入的漏洞、威胁、控制、产品和其他安全相关的概念和实例。在所提出的方法中,双向LSTM训练的大型DBpedia数据集和维基百科语料库的2.8 GB随着通用语句编码器部署,以丰富基于ISO 27001的信息安全本体。该模型在高性能计算(HPC)环境中进行训练和测试,以处理Wiki文本维度。该方法产生了超过80%的测试准确率与敲出的概念,从本体和网页实例进行测试,以验证的鲁棒性。
2021-12-16 cs.CL
Enhancing Embedding Performance through Large Language Model-based Text Enrichment and Rewriting
Arizona State University(亚利桑那州立大学);MyAutoBio Inc.(迈欧托生物公司)
本文提出利用大型语言模型在嵌入前对文本进行丰富和重写,以提升嵌入性能,在TwitterSemEval 2015数据集上取得显著改进,最佳得分达85.34。
2024-04-18 cs.CL
Using Full-text Content of Academic Articles to Build a Methodology Taxonomy of Information Science in China
Nanjing University of Science and Technology(南京理工大学)
传统的情报学方法论分类体系的构建研究大多是手工进行的。从有限的语料库中,研究者试图将一些研究方法论实体归纳为几个抽象层次(通常为三个层次);然而,他们无法提供更细粒度的层次结构。此外,更新方法分类传统上是一个缓慢的过程。在这项研究中,我们收集了与情报科学相关的全文学术论文。首先,我们通过人工标注构建了一个三个层次的基本方法学分类法。然后,使用全文数据训练研究方法论实体的词向量。在此基础上,对研究方法论实体进行聚类,并利用聚类结果对基本方法论分类法进行扩展,得到多层次的方法论分类法。本研究为构建情报学方法论分类体系提供了新的思路。建议的方法分类是半自动化的,它比传统的计划更详细,分类更新的速度得到了提高。
2021-01-20 cs.CL cs.DL
Ontology Enrichment by Extracting Hidden Assertional Knowledge from Text
University of Rostock(罗斯托克大学)
在这个立场文件中,我们提出了一种新的方法,发现一些特殊类别的断言知识的文本,通过使用大型RDF存储库,从而提取新的非分类本体关系。此外,我们使用归纳推理旁边,我们的方法,使其优于。然后,我们准备了一个案例研究,通过应用我们的方法对样本数据,并说明我们提出的方法的合理性。此外,在我们看来,目前的LOD云是不是一个合适的基础,我们的建议,在所有的信息领域。因此,本文在前人工作的基础上,提出了利用Web挖掘来丰富关联数据集的一些方向。这样的充实的结果可以重用的进一步关系抽取和本体充实从非结构化的自由文本文档。
2013-08-03 cs.CL cs.IR
Do I look like a `cat.n.01` to you? A Taxonomy Image Generation Benchmark
Skoltech(斯科尔科沃科学技术研究院);HSE University(高等经济大学);University of Hamburg(汉堡大学);AIRI(人工智能研究所)
本文提出分类体系图像生成基准,结合新型指标、人工反馈与 GPT-4 成对评估12个模型,发现其排名不同于标准 T2I 任务,Playground-v2 和 FLUX 表现最佳。
2025-03-13 cs.CL cs.CV
Joint Effects of Argumentation Theory, Audio Modality and Data Enrichment on LLM-Based Fallacy Classification
University of Groningen(格罗宁根大学)
本文研究了上下文与情感语调元数据对LLM在政治辩论谬误分类中的影响,发现引入理论思维链框架虽提升可解释性,但增加上下文和音频情感元数据常因注意力分散导致性能下降。
2025-09-14 cs.CL
Every child should have parents: a taxonomy refinement algorithm based on hyperbolic term embeddings
Universität Hamburg(汉堡大学);National Institute of Technology Mizoram(米佐拉姆国家技术学院);Saarland University(萨尔大学);Skolkovo Institute of Science and Technology(斯科尔科沃科学技术研究院)
我们介绍了使用庞加莱嵌入,以改善现有的国家的最先进的方法,以特定领域的分类法从文本中的信号,重新定位错误的下位词条款内(预诱导)分类以及附加断开的条款在分类法中的感应。这种方法大大改善了SemEval-2016任务13关于分类提取的先前最先进的结果。我们证明了庞加莱嵌入的优越性分布的语义表示,支持的假设,他们可以更好地捕捉层次的词汇语义关系比嵌入在欧几里德空间。
2019-06-05 cs.CL
Expansional Retrofitting for Word Vector Enrichment
LG Electronics(LG电子)
改造技术,注入外部资源到词表示,弥补了分布式表示的弱点,在语义和词之间的关系知识。在词向量泛化的词相似性任务中,通过扩展技术实现的词向量改进优于词向量改进。在本文中,我们提出了无监督的outrofitting:扩展改装(outrofitting)没有外部语义词典。我们还提出了深度外装:外装的深度堆叠以及外装与改造的进一步组合。当实验GloVe,我们表明,我们的方法优于以前的方法在大多数单词相似性任务,而只需要同义词作为外部资源。最后,我们展示了词向量丰富对文本分类任务的影响,作为下游任务。
2019-01-22 cs.CL
Towards Visual Taxonomy Expansion
Fudan University(复旦大学);East China University of Science and Technology(华东理工大学);Meituan(美团)
本文提出视觉分类体系扩展(VTE)方法,通过引入视觉特征并结合文本上下位关系学习、视觉原型学习及超原型约束,有效解决了传统纯文本方法的泛化与原型上位词问题,在中文数据集上准确率提升8.75%且优于ChatGPT。
2023-09-12 cs.CL cs.CV
Word Vector Enrichment of Low Frequency Words in the Bag-of-Words Model for Short Text Multi-class Classification Problems
The University of New South Wales(新南威尔士大学)
词袋模型是许多线性分类器学习器的标准文本表示。在许多问题领域中,线性分类器由于其效率,鲁棒性和可解释性而优于更复杂的模型,并且词袋文本表示可以为线性分类器捕获足够的信息以进行高度准确的预测。然而,在存在大词汇量、训练语料库中术语频率的大变化、许多类和非常短的文本(例如,单个句子或文档标题),词袋表示变得极其稀疏,并且这会降低分类器的准确性。在这种情况下的一个特殊问题是,短文本往往包含不经常出现或罕见的条款,缺乏类条件的证据。在这项工作中,我们介绍了一种方法,丰富的词袋模型,通过补充这些罕见的长期信息与相关的条款,从一般和特定领域的词向量模型。通过减少词袋模型中的稀疏性,我们的富集方法在各种文本分类问题中实现了比几个基线分类器更好的分类。我们的方法也是有效的,因为它不需要在训练之前或训练期间改变线性分类器,因为词袋富集仅适用于正在分类的文本。
2017-09-18 cs.CL cs.LG
From Intentions to Techniques: A Comprehensive Taxonomy and Challenges in Text Watermarking for Large Language Models
Birla Institute of Technology and Science, Pilani(比拉理工学院和科学学院,比里尼)
本文通过综合综述构建了LLM文本水印技术的分类体系,从设计意图、评估数据集及水印增删方法等角度系统分析现有研究,并指出开放挑战以推动文本作者身份保护研究。
2025-07-05 cs.AI cs.CL
Resource for Error Analysis in Text Simplification: New Taxonomy and Test Collection
Université de Bretagne Occidentale(布列塔恩西大学);Lab-STICC (UMR CNRS 6285)(实验室);ENIB
针对自动文本简化评估不足的问题,提出错误分类法及人工标注的平行数据集,并分析现有模型性能,为错误检测与分类提供资源。
2025-05-22 cs.AI cs.CL
A Comprehensive Survey of Text Classification Techniques and Their Research Applications: Observational and Experimental Insights
Khalifa University(哈利法大学);University of London, Birkbeck College(伦敦大学伯克贝克学院);Brighton College, Dubai(迪拜布莱顿学院)
本文提出一个基于研究领域的文本分类分层分类法,并通过经验与实验双重评估方法比较和排名各方法学子技术,为研究人员提供领域特定的决策依据。
2024-11-25 cs.CL
Enhancing Taxonomy Completion with Concept Generation via Fusing Relational Representations
University of Notre Dame(圣母大学)
分类法的自动构造支持电子商务、web搜索和问答中的许多应用。现有的分类扩展或完成方法假设新的概念已经被准确地提取,并且它们的嵌入向量从文本语料库中学习。然而,在修复分类法的不完整性方面的一个关键和根本的挑战是提取的概念的不完整性,特别是对于那些名称具有多个单词并且因此在语料库中频率较低的概念。为了解决基于提取的方法的局限性,我们建议GenTaxo通过识别现有分类中需要新概念的位置,然后生成适当的概念名称来增强分类完成。GenTaxo不依赖于语料库进行概念嵌入,而是从其周围基于图形和基于语言的关系信息中学习上下文嵌入,并利用语料库来预训练概念名称生成器。实验结果表明,GenTaxo提高了现有方法的分类的完整性。
2021-06-05 cs.CL
TaxCE : A Framework for Automated Taxonomy Construction and Evaluation at Scale
Amazon(亚马逊)
针对大规模非结构化反馈文本分类法构建的挑战,本文提出TaxCE框架,结合EEG指标的闭环迭代优化机制,在分类法质量上优于现有基线方法。
2026-09-01 cs.CL
Semantic Enrichment of Nigerian Pidgin English for Contextual Sentiment Classification
Data Science Nigeria(尼日利亚数据科学)
尼日利亚英语的适应,皮钦语,多年来通过多语言代码转换,代码混合和语言适应而发展。虽然洋泾浜保留了许多正常英语语料库中的单词,无论是在拼写还是发音上,但这些单词的基本含义已经发生了显着变化。例如,“生姜”不是一种植物,而是一种动机的表达,“坦克”不是一个容器,而是一种感激的表达。这意味着,目前使用直接的英语情感分析社交媒体文本从尼日利亚的方法是次优的,因为它将无法捕捉这些词的当代意义的语义变化和上下文演变。在实践中,虽然尼日利亚皮钦语改编中的许多单词与标准英语相同,但基于完整英语的情感分析模型并不是为了在单独使用或代码混合时捕捉尼日利亚皮钦语的全部意图而设计的。通过用大量的合成代码重新格式化的文本和含义来增强稀缺的人类标记的代码更改文本,我们在情感评分方面取得了显着的改进。我们的研究探讨了如何理解情感的intraentential代码混合和切换的情况下,有显着的单词localization.This工作提出了一个300 VADER词典兼容的尼日利亚洋泾浜情感tokens和他们的分数和14,000金标准尼日利亚洋泾浜tweets和他们的情感标签。
2020-03-27 cs.CL
Who Should Go First? A Self-Supervised Concept Sorting Model for Improving Taxonomy Expansion
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-尚佩恩分校);University of Washington(华盛顿大学)
分类法已被广泛用于各种机器学习和文本挖掘系统,以组织知识和促进下游任务。一个关键的挑战是,随着数据和业务范围在实际应用程序中的增长,需要扩展现有的分类法以纳入新的概念。以往的分类法扩展工作是独立地、同时地处理新概念,忽略了它们之间的潜在关系和插入操作的适当顺序。然而,在现实生活中,新概念往往相互关联,形成局部上下义结构。在这种情况下,忽略新概念的依赖关系和插入顺序可能会触发错误传播。例如,现有的分类法扩展系统可以在现有分类法的上位词之前将下位词插入现有分类法,从而导致次优的扩展分类法。为了补充现有的分类扩展系统,我们提出了TaxoOrder,一种新的自我监督框架,同时发现新概念之间的局部上下义结构,并决定插入的顺序。TaxoOrder可以直接插入任何分类法扩展系统,并提高扩展分类法的质量。在真实数据集上的实验验证了TaxoOrder增强分类扩展系统的有效性,从而在各种评估指标下与基线相比,得到更好的分类结果。
2021-04-10 cs.CL
Phonemizing User-Generated Text: A Benchmark, Taxonomy, and Compositional Approach
NAVER Cloud(NAVER云);Hanyang University(汉阳大学);Carnegie Mellon University(卡内基梅隆大学);Georgia Institute of Technology(佐治亚理工学院)
针对用户生成文本音素化难题,提出首个多语言基准UGTPhon及组合式G2P方法,通过显式规范形式建模显著降低非规范错误,小模型性能媲美大模型。
2026-09-24 cs.AI cs.CL
Why Do We Laugh? Annotation and Taxonomy Generation for Laughable Contexts in Spontaneous Text Conversation
Graduate School of Informatics, Kyoto University(京都大学情报学研究科)
本文标注日语自发文本对话中的可笑语境并构建十类笑声原因分类体系,同时评估GPT-4o的识别表现,为会话式AI理解与生成笑声提供基础。
2025-03-18 cs.AI cs.CL
Does Linguistic Structure Enrichment Enhance Coherence Assessment? Not With Current Architectures
Universidade Estadual de Campinas (UNICAMP)(坎皮纳斯州立大学)
本研究探讨向文本添加句法和修辞信息能否提升连贯性评估,发现现有架构下纯文本效果更佳,并验证了连贯性可作为检测误导性内容的代理指标。
2026-09-11 cs.AI cs.CL
A Taxonomy of Prompt Modifiers for Text-To-Image Generation
University of Jyväskylä(于韦斯屈莱大学)
本文基于3个月的民族志研究,提出了文本到图像生成中六种提示词修饰符的分类体系,探讨了其在提示词工程中的应用,并从人机交互和人机交互视角讨论了未来研究机会与广泛影响。
2023-06-14 cs.CL cs.HC cs.MM
E-SQL: Direct Schema Linking via Question Enrichment in Text-to-SQL
Bilkent University(毕尔肯大学)
本文提出E-SQL流水线,通过直接模式链接和候选谓词增强,将数据库项及条件直接纳入自然语言问题以弥合查询与数据库结构的差距,在BIRD基准上取得66.29%的执行准确率。
2025-01-28 cs.CL
Automated Scoring of Arabic Text Using Large Language Models: A Literature Review
Laboratoire d’Informatique et de Mathématiques LIM, Amar Telidji University(阿马尔·特里吉大学计算机与数学实验室)
本文综述了基于大型语言模型的阿拉伯语文本自动评分方法,包括简答题评分和作文评分,提出了包含五个维度的分类体系,并对比分析了现有研究的方法、数据集和性能。
2026-06-11 cs.CL
Manual Verbalizer Enrichment for Few-Shot Text Classification
Université Sorbonne Paris Nord(巴黎北部索邦大学);CNRS(法国国家科学研究中心);Université Paris-Saclay(巴黎萨克雷大学);UVSQ(凡尔赛大学);Groupe BPCE(BPCE集团)
本文提出 MAVE 方法,通过在词嵌入空间利用邻域关系扩充类标签构建 verbalizer,并建立基准测试评估典型基线,在少样本文本分类中取得最优结果且显著节省资源。
2024-10-08 cs.AI cs.CL cs.LG
An AI-Powered Research Assistant in the Lab: A Practical Guide for Text Analysis Through Iterative Collaboration with LLMs
Universidad Externado de Colombia(哥伦比亚外部大学);Universidad de los Andes(安第斯大学);University of Michigan(密歇根大学);Rice University(莱斯大学);University of Toronto(多伦多大学);University of Southampton(南安普顿大学)
该研究提出一套研究者与LLMs迭代协作的文本分析分步教程,以个人目标文本为例演示分类体系的构建、优化、测试与应用流程,达到高编码者间信度,同时探讨了LLMs用于文本分析的潜力与局限。
2025-05-16 cs.AI cs.CL cs.HC
HiLight: A Hierarchy-aware Light Global Model with Hierarchical Local ConTrastive Learning
Huawei Technologies Ltd. Co.(华为技术有限公司)
针对分层文本分类中结构编码器参数随分类体系规模激增、递归正则化易坍缩的问题,提出仅含文本编码器和分类头的轻量模型HiLight,通过分层局部对比学习引入层级信息,在两个基准数据集上验证了有效性。
2024-08-11 cs.CL
A Survey and Taxonomy of Adversarial Neural Networks for Text-to-Image Synthesis
Florida Atlantic University(佛罗里达大西洋大学);Nanjing University of Finance and Economics(南京财经大学)
文本到图像合成是指将人类书面文本描述(以关键字或句子的形式)翻译成与文本语义相似的图像的计算方法。在早期的研究中,图像合成主要依赖于文字到图像的相关性分析,并结合监督方法来找到与文本匹配的视觉内容的最佳对齐。深度学习(DL)的最新进展带来了一组新的无监督深度学习方法,特别是深度生成模型,其能够使用适当训练的神经网络模型生成逼真的视觉图像。在本文中,我们回顾了文本到图像合成研究领域的最新进展。我们的调查首先介绍了图像合成及其挑战,然后回顾了生成对抗网络(GANs)和深度卷积编码器-解码器神经网络(DCNN)等关键概念。在此之后,我们提出了一个分类法,总结GAN为基础的文本到图像合成分为四个主要类别:语义增强GANs,分辨率增强GANs,多样性增强GANs,和运动增强GANs。我们详细阐述了每个组的主要目标,并进一步回顾了每个组中的典型GAN架构。分类和审查概述了技术和不同方法的演变,并最终提供了一个明确的路线图,以总结利用GANs和DCNN生成人脸,鸟类,花卉,室内装饰,边缘图(游戏)对象重建等类别的迷人结果的同期解决方案列表。尚未解决的挑战,以及文本到图像合成领域的未来发展。
2019-10-21 cs.CL cs.CV cs.GR
What Drives LLM Self-Reflection? A Controlled Ablation of Uncertainty Routing in Armed Conflict Forecasting
University of North Texas(北得克萨斯大学);College of Computer Science and Engineering(计算机科学与工程学院)
本研究通过受控消融实验发现,武装冲突预测中LLM自我反思的增益源于类型化行动路由,而非诊断支架或分类学术语,且该机制在GPT-4o上复现,增益集中于结构新颖的冲突。
2026-08-14 cs.AI cs.CL
CoRel: Seed-Guided Topical Taxonomy Construction by Concept Learning and Relation Transferring
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);The Hong Kong University of Science and Technology(香港科技大学)
分类法不仅是知识表示的基本形式,而且对于诸如问答和网络搜索等大量知识丰富的应用也至关重要。现有的分类法构造方法大多通过提取上下义实体对来组织“通用”分类法。然而,这些通用的分类不能满足用户在某些领域和关系的具体利益。此外,实例分类法的本质是将每个节点视为单个单词,这具有低语义覆盖率。在本文中,我们提出了一种种子引导的主题分类结构的方法,该方法以语料库和概念名称描述的种子分类作为输入,并构造一个更完整的分类基于用户的兴趣,其中每个节点表示为一个集群的连贯的条款。我们的框架CoRel有两个模块来实现这一目标。关系转换模块学习用户感兴趣的关系并沿多条路径进行转换,以扩展种子分类结构的广度和深度。概念学习模块通过联合嵌入分类法和文本来丰富每个概念节点的语义。在真实世界数据集上进行的综合实验表明,Corel生成了高质量的主题分类,并显著优于所有基线。
2020-10-13 cs.CL cs.IR
Iterative Topic Taxonomy Induction with LLMs: A Case Study of Electoral Advertising
Department of Computer Science, ETH Zürich(苏黎世联邦理工学院计算机科学系);Department of Computer Science, Purdue University(普渡大学计算机科学系)
本文提出基于大语言模型的迭代主题分类方法,通过选举广告案例验证,实现了无需预定义标签的自动主题分类,并在人类评估中表现出更一致和可解释的结果。
2026-10-02 cs.AI cs.CL cs.CY
Large-scale Taxonomy Induction Using Entity and Word Embeddings
University of Mannheim(曼海姆大学)
分类法是知识组织的一个重要组成部分,并作为智能系统中更复杂的知识表示(如形式本体)的骨干。然而,手动构建分类法是一项昂贵的工作,因此,自动分类法归纳方法是构建大规模分类法的一个很好的替代方案。在本文中,我们提出了TIEmb,一种自动无监督的类包含公理提取知识库使用实体和文本嵌入的方法。我们应用的方法WebIsA数据库,一个数据库的包容关系提取的大部分万维网,提取类层次结构中的人和地方域。
2021-05-04 cs.AI cs.CL
LLM-Anchored Paralinguistic Enrichment for Alzheimer's Disease Detection
Tianjin University(天津大学);Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences(中国科学院深圳先进技术研究院);Fuzhou University(福州大学);Huiyan Technology (Tianjin) Co., Ltd(慧眼科技(天津)有限公司)
针对阿尔茨海默病语音检测,提出LLM锚定的副语言增强方法,通过韵律事件文本化、词汇-韵律单元化和文本锚定融合,在ADReSS和ADReSSo上取得最先进性能。
2026-09-23 cs.CL cs.SD
Technological taxonomies for hypernym and hyponym retrieval in patent texts
INRIA de Paris(巴黎INRIA);Sorbonne Nouvelle University(新索邦大学);Galytix;LISN, CNRS and University Paris-Saclay(LISN,CNRS与巴黎-萨克雷大学)
本文提出了一种基于合作专利分类(CPC)自动创建技术术语分类法的方法。由此产生的分类包含9个独立技术分支的约17万个节点,并且可以免费获得。我们还表明,文本到文本的传输Transformer(T5)模型可以微调,以产生相对较高的精度上义词和下义词,确认手动评估的资源质量。T5模型向任何新的技术术语开放分类法,可以为其生成上位词,从而使资源可以使用新术语更新,这是技术术语不断发展的一个基本特征。
2022-12-13 cs.AI cs.CL
Semantic enrichment towards efficient speech representations
Avignon Université(阿维尼翁大学);CNRS(法国国家科学研究中心);Université Paris-Saclay(巴黎萨克雷大学)
本文针对 SLU 任务,在少量下游转录数据上专门化 SAMU-XLSR,以低成本实现领域内语义增强,并验证其低资源语言迁移与跨领域能力。
2023-07-03 cs.CL cs.SD eess.AS
Analyzing Persuasive Strategies in Meme Texts: A Fusion of Language Models with Paraphrase Enrichment
Concordia University(康考迪亚大学)
本文通过微调多种语言模型并结合释义增强与均值集成,研究模因文本中说服技术的多标签检测,发现平衡训练集优于更大的不平衡训练集,并指出不当引入释义可能带来噪声。
2024-07-01 cs.AI cs.CL cs.LG
Taxonomy Tree Generation from Citation Graph
Emory University(埃默里大学);Shanghai University(上海大学)
针对手动构建分类体系耗时且易有偏见的问题,提出端到端框架HiGTL,通过层次化引文图聚类和基于大语言模型的节点表述,联合优化生成高质量分类树。
2025-02-27 cs.CL cs.LG
TiFi: Taxonomy Induction for Fictional Domains [Extended version]
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
分类法是结构化知识库的重要组成部分,从文本源和维基百科构建分类法受到了广泛关注。在本文中,我们专注于虚构领域的分类法的建设,使用嘈杂的类别系统从球迷维基或文本提取作为输入。这些虚构的领域是维基百科覆盖不足的实体宇宙的原型,例如企业特定的知识库或高度专业化的垂直领域。我们的小说为目标的方法,称为TiFi,由三个阶段组成:(i)类别清洗,通过识别候选类别,真正代表感兴趣的领域中的类,(ii)边缘清洗,通过选择对应于类包容的子类关系,和(iii)顶级建设,通过映射类到一个子集的高级WordNet类别。一项全面的评估表明,TiFi能够为各种虚构领域构建分类,如指环王,The Greek Mythology或希腊神话,具有非常高的精度,并且它在分类归纳方面的表现远远优于最先进的基线。
2019-01-29 cs.AI cs.CL cs.IR
Different Teachers, Different Capabilities: Sub-1B On-Device Distillation for Structured Text Enrichment
研究将8B推理教师模型蒸馏成0.6B学生模型,添加对照,通过盲测评分。学生模型处理速度快,恢复部分摘要质量差距。不同教师模型转移不同能力,无单一引擎全胜,得出设备端丰富的按领域路由图。
2026-07-10 cs.AI cs.CL
A Survey on Data Augmentation for Text Classification
Technical University of Darmstadt(达姆施塔特工业大学)
数据增强,即通过变换人工创建用于机器学习的训练数据,是跨机器学习学科的广泛研究的研究领域。虽然它有助于提高模型的泛化能力,但它也可以解决许多其他挑战和问题,从克服有限的训练数据,到规范目标,再到限制用于保护隐私的数据量。基于对数据增强的目标和应用的精确描述以及对现有作品的分类,本调查关注文本分类的数据增强方法,旨在为研究者和从业者提供一个简明而全面的概述。从分类学中,我们将100多种方法分为12个不同的组,并给出了最先进的参考文献,通过将它们相互关联来阐述哪些方法是非常有前途的。最后,研究的角度,可能构成一个积木为今后的工作提供。
2022-09-08 cs.AI cs.CL
NeCo@ALQAC 2023: Legal Domain Knowledge Acquisition for Low-Resource Languages through Data Enrichment
VNU University of Engineering and Technology(越南国立大学工程技术大学);National Institute of Informatics(国立情报学研究所)
本文提出NeCo团队在ALQAC 2023越南语法律问答任务中的解决方案,通过结合相似度排序、深度学习模型及自适应技术进行数据增强,在法律文档检索和答案提取任务上取得出色结果,验证了低资源语言法律问答系统的有效性。
2023-09-11 cs.AI cs.CL
Product Classification in E-Commerce using Distributional Semantics
Flipkart Internet Pvt. Ltd.(Flipkart互联网私人有限公司)
产品分类是在给定文本产品描述或标题的情况下自动预测预定义分类层次结构中的产品的分类路径的任务。为了有效的产品分类,我们需要一个合适的表示文档(产品的文本描述)的特征向量和有效和快速的预测算法。为了解决上述挑战,我们提出了一个新的分布式语义表示文档向量的形成。我们还开发了一种新的两级集成方法,利用(相对于分类树)的路径明智的,节点明智的和深度明智的分类器,以减少错误的最终产品分类。我们的实验表明,分布式表示和集成方法的有效性,从领先的电子商业平台的数据集,并取得更好的结果,各种评价指标相比,早期的方法。
2016-07-25 cs.AI cs.CL cs.IR
Natural Language Processing of Aviation Occurrence Reports for Safety Management
Royal Netherlands Aerospace Centre(荷兰皇家航空航天中心);University of Amsterdam(阿姆斯特丹大学)
事故报告是安全管理系统中常用的一种方法,用于深入了解危险和事故情景的发生率。为了支持安全数据分析,报告通常根据分类法进行分类。然而,报告的处理可能需要安全分析师付出大量努力,并且一个常见的问题是标签过程中的评价者间差异。此外,在某些情况下,报告没有根据分类法进行处理,或者分类法没有完全覆盖文档的内容。本文探讨了各种自然语言处理(NLP)方法,以支持航空安全事故报告的分析。特别是,研究的问题是使用分类模型的自动标记的报告,提取潜在的主题,在一个集合中的文本使用的主题模型和自动生成的可能原因的文本。实验结果表明,(i)在正确的条件下,发生报告的标记可以有效地自动化与基于变换的分类器,(ii)主题建模可以是有用的,用于发现报告的集合中存在的主题,和(iii)使用摘要模型可以是一个有前途的方向生成可能的原因文本。
2023-01-13 cs.CL cs.LG
A Dual-Axis Taxonomy of Knowledge Editing for LLMs: From Mechanisms to Functions
Department of Electrical and Computer Engineering(电气与计算机工程系)
本综述提出了一种基于功能的知识编辑分类法,结合机制与知识类型双轴,系统评估现有方法的优势与局限,并探讨未来研究方向。
2025-08-12 cs.AI cs.CL
KARMA: Leveraging Multi-Agent LLMs for Automated Knowledge Graph Enrichment
Department of Big Data and Biomedical AI, Peking University(北京大学大数据与生物医学人工智能系);Wallace H. Coulter Department of Biomedical Engineering, Georgia Institute of Technology(佐治亚理工学院生物医学工程系);School of Architecture, Tsinghua University(清华大学建筑学院)
KARMA通过多智能体大语言模型自动丰富知识图谱,有效识别新实体并提高正确性与一致性
2026-01-11 cs.AI cs.CE cs.CL