Semi-Automatic Terminology Ontology Learning Based on Topic Modeling
Indian Institute of Information Technology, Allahabad（印度信息技术学院阿拉哈巴德分校）
本体提供了诸如通用词汇表、可重用性、机器可读内容等特征，并且还允许语义搜索、促进代理交互以及语义Web（Web 3.0）应用的知识的排序和结构化。然而，本体工程中的挑战是自动学习，即，仍然缺乏使用机器学习技术从各种主题的文本语料库或数据集形成本体的全自动方法。本文研究了两种主题建模算法，即LSI & SVD和Mr.LDA，用于主题本体的学习。目标是确定文档和术语之间的统计关系，以最小的人为干预构建主题本体和本体图。通过构建主题本体和对用户查询进行语义检索的实验分析，验证了该方法的有效性。
2017-08-05 cs.CL cs.IR
Same Side Stance Classification Task: Facilitating Argument Stance Classification by Fine-tuning a BERT Model
University of Trier（特里尔大学）
计算论证的研究是当前研究的热点。这个社区的目标是为用户给定的主题找到最好的赞成和反对论据，以形成自己的观点，或说服他人采取某种立场。虽然现有的论点挖掘方法可以找到适当的论点，一个正确的分类为赞成和反对是不可靠的。同侧立场分类任务提供了一个论点对的数据集，根据两个论点是否共享相同的立场进行分类，并且不需要区分特定于主题的赞成和反对词汇，而只需要评估立场内的论点相似性。我们对任务的贡献的结果是建立在基于BERT架构的设置上的。我们微调了三个时期的预训练BERT模型，并使用每个参数的前512个标记来预测两个参数是否具有相同的立场。
2020-04-23 cs.CL cs.LG
The Unfolding Structure of Arguments in Online Debates: The case of a No-Deal Brexit
Venice International University（威尼斯国际大学）
在过去的十年里，政治辩论逐渐转向社交媒体。可以捕捉和分析在这些辩论舞台上运作的在线行为者和派别所使用的修辞手段，以对社会争议及其论证动态进行统计阅读。在本文中，我们提出了一个五步的方法，提取，分类和探索潜在的辩论结构的在线辩论。利用Twitter上有关“无协议”脱欧的数据，我们关注的是这一事件发生后的预期影响。首先，我们使用RegEx提取推文中包含的因果关系声明，这些声明利用了与创造，破坏和因果关系相关的动词。其次，我们使用基于一元和二元的结构主题模型对提取的“无交易”效应进行分类。第三，我们选择有争议的效果主题，并探讨自我宣称的党派用户派系之间的主题内的论证差异。因此，我们使用估计的协变量对主题倾向的影响类型的主题，然后，使用主题相关网络，我们研究的拓扑结构的辩论，以确定连贯的主题星座。最后，我们分析了辩论的时间动态，并推断出领导/追随关系的派别。结果表明，所提出的方法可以用来进行统计分析的辩论，并绘制跨时间的争议的架构。特别是，“无协议”脱欧辩论被证明具有一个明显的论证结构，其特点是争论的派系星座，以及通过与创造和毁灭相关的动词调用的两极化叙事框架。我们的研究结果强调了实施系统方法来分析辩论的好处，这使得在网上辩论中使用的参数之间的主题和派别的依赖关系。
2021-03-09 cs.CL cs.CY stat.AP
Does Syntax Matter? A Graph-Augmented Variational Topic Model for Computational Social Sciences
University of Udine（乌迪内大学）
本文提出图增强变分主题模型SCPTM，探究句法在主题建模中的作用，发现句法编码对论证性文本有益，但在信息性语域中引入噪声。
2026-09-09 cs.CL
A Benchmark for Cross-Domain Argumentative Stance Classification on Social Media
North Carolina State University（北卡罗来纳州立大学）
针对论辩立场分类基准单一领域且人工标注成本高的问题，提出利用平台规则、专家精选内容与大型语言模型构建涵盖21个领域、包含4,498个主题声明和30,961个论点的多领域基准，并在全监督、零样本和少样本设置下评估了不同方法。
2024-11-15 cs.AI cs.CL
Leveraging Large Language Models for Generating Research Topic Ontologies: A Multi-Disciplinary Study
Knowledge Media Institute, The Open University（开放大学知识媒体学院）；The Open University（开放大学）；University of Milano Bicocca（米兰比克卡大学）；Department of Business and Law, University of Milano Bicocca（米兰比克卡大学商学院与法学院）
本文研究了大型语言模型在生物医学、物理和工程学三个学科中识别研究主题语义关系的能力，通过零样本提示、链式思维提示和在现有本体上微调三种条件评估模型性能，并引入PEM-Rel-8K数据集验证跨学科迁移能力。
2026-06-04 cs.CL cs.DL
Mining Arguments from Cancer Documents Using Natural Language Processing and Ontologies
Technical University of Cluj-Napoca（克卢日-纳波卡技术大学）
在医学领域，科学研究的连续流包含由论点和反论点支持的相互矛盾的结果。由于医学专业知识发生在不同的层面，部分人类代理人难以面对大量的研究，也难以理解争论主题的支持者和反对者所声称的理由和证据。为了更好地理解与医学领域当前最新技术水平相关的新发现的支持论点，我们需要能够识别科学论文中论点的工具。我们的工作旨在填补上述技术空白。非常清楚这项任务的难度，我们依靠众所周知的领域知识与自然语言处理的交叉来走这条路。为了将现有的医学知识形式化，我们依赖于本体论。为了构建论证模型，我们还使用了描述逻辑的表达能力和推理能力。为了进行论证挖掘，我们在基于规则的语言中正式化了各种语言模式。我们针对与乳腺癌相关的科学论文语料库测试了我们的解决方案。运行实验表明，F-测量值在0.71和0.86之间，用于识别论点的结论，在0.65和0.86之间，用于识别论点的前提。
2016-07-27 cs.AI cs.CL
AutoPersuade: A Framework for Evaluating and Explaining Persuasive Arguments
Princeton University（普林斯顿大学）；Intel Labs（英特尔实验室）；Stanford University（斯坦福大学）
AutoPersuade框架通过构建带人工评估的论证数据集、开发主题模型识别说服力特征，并预测新论证效果及解释因果影响，以素食主义论证实验验证其有效性。
2025-03-11 cs.CL
Combining Temporal Information and Topic Modeling for Cross-Document Event Ordering
University of Alicante（阿利坎特大学）
从书面新闻文章的集合中构建统一的时间线需要跨文档事件共指消解和时间关系抽取。在本文中，我们提出了一种方法事件共指消解根据：a）相似的时间信息，和b）相似的语义参数。使用自动时间信息系统（TIPSem）检测时间信息，而语义信息通过LDA主题建模表示。对我们方法的评估表明，它在SemEval2015任务4：时间轴：跨文档事件排序中获得了最高的微平均F分数结果（TrackB为25.36%，SubtrackB为23.15%），与其他系统相比提高了6%。然而，我们的实验也显示了一些缺点的主题建模方法，降低了系统的性能。
2015-06-10 cs.CL
Learning Concept Hierarchies through Probabilistic Topic Modeling
Indian Institute of Information Technology and Management - Kerala (IIITM-K)（印度喀拉拉信息技术与管理学院 (IIITM-K)）；Queen’s University（女王大学）
随着语义网的出现，各种工具和技术已被引入表示和组织知识。概念层次结构就是这样一种技术，由于其在创建领域本体（被认为是语义网的一个组成部分）方面的有用性而受到了极大的关注。自动概念层次学习算法的核心是从非结构化文本中抽取相关概念，并通过识别概念之间的潜在关系将概念连接起来。在本文中，我们提出了一种新的方法，从纯文本中识别相关的概念，然后学习层次的概念，利用它们之间的包容关系。首先，我们使用概率主题模型对主题进行建模，然后使用一些轻量级的语言过程来提取语义丰富的概念。然后，我们通过识别概念对之间的“是-a”关系来连接概念。所提出的方法是完全无监督的，并且不需要用于概念提取和学习的特定于领域的训练语料库。在BBC新闻数据集和路透社新闻数据集等大型真实文本语料库上的实验表明，该方法优于现有的一些概念提取方法，并且如果整个任务由概率主题建模算法指导，则可以进行有效的概念层次学习。
2016-11-29 cs.AI cs.CL cs.IR
Enhancing Event-Level Sentiment Analysis with Structured Arguments
East China Normal University（华东师范大学）；Shanghai Open University（上海开放大学）
以往的事件级情感分析（SA）研究通常将事件建模为主题、类别或目标词，而结构化的论点（例如，主题、对象、时间和位置）对情感具有潜在影响的因素没有得到很好的研究。在本文中，我们重新定义为结构化的事件级SA的任务，并提出了一个端到端的事件级情感分析（$\textit{E}^{3}\textit{SA}$）的方法来解决这个问题。具体来说，我们明确地提取和模型的事件结构信息，以提高事件级SA。大量的实验表明，我们所提出的方法比国家的最先进的方法的巨大优势。注意到数据集的缺乏，我们还发布了一个大规模的真实世界的数据集，事件参数和情绪标签，以促进更多的研究\footnote{The dataset is available at https://github.com/zhangqi-here/E3SA}。
2022-05-31 cs.CL
RuArg-2022: Argument Mining Evaluation
Vyatka State University（维亚特卡国立大学）；Lomonosov Moscow State University（罗蒙诺索夫莫斯科国立大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）
论证分析是计算语言学的一个研究领域，它研究从文本中提取论证的方法以及它们之间的关系，并建立文本的论证结构。本文是主办方在对话会议框架内举办的第一届俄语语篇论证分析系统竞赛的报告。在比赛中，参与者被提供了两个任务：立场检测和论点分类。一个包含9，550个句子（社交媒体帖子的评论）的语料库，涉及与COVID-19大流行相关的三个主题（疫苗接种、隔离和戴口罩），已准备好，并进行了注释，用于培训和测试。在这两项任务中获得第一名的系统使用了BERT架构的NLI（自然语言推理）变体，自动翻译成英语以应用专门的BERT模型，在讨论COVID-19的Twitter帖子上进行重新训练，以及对目标实体进行额外的掩蔽。该系统显示了以下结果：对于立场检测任务，F1分数为0.6968，对于论点分类任务，F1分数为0.7404。我们希望准备好的数据集和基线将有助于促进对俄语参数挖掘的进一步研究。
2022-06-18 cs.CL
Using Summarization to Discover Argument Facets in Online Ideological Dialog
UC Santa Cruz（加州大学圣克鲁兹分校）
网络上越来越多的信息是对话式的，其中很大一部分发生在关于当前社会和政治话题的在线论坛对话中。我们的目标是开发工具来总结这些对话的内容。什么是与一个问题的不同立场相关的中心命题？什么是在讨论中的抽象对象，这些对象是演讲者论点的中心？我们怎么能认识到两个中心命题实现了论证的同一个方面呢？我们假设中心命题正是人们认为最突出的论点，并使用人类总结作为发现它们的探针。我们描述了我们的语料库的人类总结的固执己见的对话，然后展示了我们如何可以识别类似的重复的论点，并将它们分组到FACETS在许多讨论的一个主题。我们定义了一个新的任务，ARGUMENT FACET SIMILARITY（AFS），并表明，我们可以预测AFS与.54的相关性得分，与ngram系统基线的.39和语义文本相似性系统基线的.45。
2017-09-03 cs.AI cs.CL
Overview of ImageArg-2023: The First Shared Task in Multimodal Argument Mining
University of Pittsburgh（匹兹堡大学）
本文介绍了首个多模态论辩挖掘共享任务ImageArg，包含推文立场分类和图像说服力分类两个子任务，并报告了来自多国团队的提交情况及最佳F1分数结果。
2023-10-24 cs.CL
Distant finetuning with discourse relations for stance classification
Tencent AI Lab（腾讯人工智能实验室）
立场分类任务是理解辩论中的论证和检测假新闻的重要任务，其方法一直依赖于处理单个辩论主题的模型。为了训练一个与主题无关的系统，本文提出了一种新的方法，从原始文本中提取带有银标签的数据，以微调立场分类模型。该提取依赖于特定的话语关系信息，这是一个可靠的和准确的来源，提供立场信息。我们还提出了一个3阶段的训练框架，其中用于微调的数据中的噪声水平在从最嘈杂到最嘈杂的不同阶段降低。详细的实验表明，自动标注的数据集以及3阶段的训练有助于提高模型的立场分类性能。我们的方法在NLPCC 2021共享任务AI Debater的论证性文本理解的立场分类轨道中的26个竞争团队中排名第一，这证实了我们方法的有效性。
2022-04-27 cs.CL
AQE: Argument Quadruplet Extraction via a Quad-Tagging Augmented Generative Approach
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；National University of Singapore（新加坡国立大学）
本文首次提出论元四元组抽取任务AQE，并构建大规模数据集，同时设计四标签增强生成式方法，实验证明其优于多个强基线。
2023-05-31 cs.CL
IAM: A Comprehensive and Large-Scale Dataset for Integrated Argument Mining Tasks
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Singapore University of Technology and Design（新加坡科技设计大学）；The Chinese University of Hong Kong（香港中文大学）；National University of Singapore（新加坡国立大学）
传统上，辩论通常需要人工准备过程，包括阅读大量文章，选择主张，确定主张的立场，寻找主张的证据等。随着人工智能辩论近年来越来越受到关注，值得探索将辩论系统中涉及的繁琐过程自动化的方法。在这项工作中，我们介绍了一个全面的大型数据集命名为IAM，它可以应用于一系列的参数挖掘任务，包括索赔提取，立场分类，证据提取等，我们的数据集是从123个主题相关的超过1k篇文章中收集。数据集中的近70k个句子基于它们的论点属性（例如，主张、立场、证据等）。我们进一步提出了两个新的集成的论点挖掘任务与辩论准备过程：（1）主张提取与立场分类（CESC）和（2）索赔证据对提取（CEPE）。我们分别对每个集成任务采用管道方法和端到端方法。有前途的实验结果报告显示我们提出的任务的价值和挑战，并激励未来的研究论点挖掘。
2022-07-16 cs.CL
MetaLDA: a Topic Model that Efficiently Incorporates Meta information
Monash University（莫纳什大学）；Harbin Engineering University（哈尔滨工程大学）
除了文本内容之外，文档及其关联的词通常还带有丰富的Meta信息集，例如文档的类别和词的语义/句法特征，如编码在词嵌入中的那些。将这样的Meta信息直接引入主题模型的生成过程中可以提高建模精度和主题质量，特别是在训练数据中的词出现信息不足的情况下。在本文中，我们提出了一个主题模型，称为MetaLDA，这是能够利用文档或文字Meta信息，或两者联合。通过两种数据论证技术，我们可以得到一个有效的吉布斯抽样算法，这得益于模型的完全局部共轭性。此外，该算法是有利的稀疏的Meta信息。在几个真实世界数据集上的大量实验表明，我们的模型在困惑度和主题质量方面都取得了相当或更好的性能，特别是在处理稀疏文本方面。此外，与其他使用Meta信息的模型相比，我们的模型运行速度明显更快。
2017-09-19 cs.CL stat.AP
Diversity Over Size: On the Effect of Sample and Topic Sizes for Topic-Dependent Argument Mining Datasets
summetix GmbH（萨梅蒂克斯有限公司）；Technical University of Darmstadt（达姆施塔特工业大学）；Lucerne University of Applied Sciences and Arts（卢塞恩应用科学与艺术大学）
该研究探究少样本与零样本设置下论点挖掘数据集构成的影响，发现精心构建训练样本、大幅缩减样本量仍能保留大部分性能，还发布了新的基准数据集。
2024-10-07 cs.CL
Cross-topic Argument Mining from Heterogeneous Sources Using Attention-based Neural Networks
Ubiquitous Knowledge Processing Lab (UKP-TUDA)（普适知识处理实验室（UKP-TUDA））；Department of Computer Science, Technische Universität Darmstadt（达姆施塔特工业大学计算机科学系）；www.ukp.tu-darmstadt.de（无（该网址非机构））
参数挖掘是在大型文档集合中自动进行参数搜索的核心技术。尽管它的有用性，这项任务，大多数目前的方法，参数挖掘是专为使用特定的文本类型和不足时，适用于异构文本。在本文中，我们提出了一个新的mixtial注释方案，是可靠的适用于人群工作人员任意Web文本。我们为超过25，000个案例提供注释，涵盖八个有争议的主题。跨主题实验的结果表明，我们的基于注意力的神经网络最好地概括了看不见的主题，并优于香草BiLSTM模型6%的准确率和11%的F分数。
2018-02-15 cs.CL
What Changed Your Mind: The Roles of Dynamic Topics and Discourse in Argumentation Process
The Chinese University of Hong Kong（香港中文大学）；The Hong Kong Polytechnic University（香港理工大学）；University of Warwick（华威大学）；Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
在这个充满不确定性的世界里，辩论和论证有助于科学和社会的进步。尽管人们越来越关注人类辩论的特征，但迄今为止取得的大多数进展都集中在辩论结果上，在很大程度上忽略了辩论过程中的动态模式。本文提出了一项自动分析论证说服力的关键因素的研究，而不仅仅是预测谁会说服谁。具体来说，我们提出了一种新的神经模型，能够动态跟踪潜在的话题和话语的变化，在争论的对话，允许调查他们的角色在影响说服的结果。在社交媒体和最高法院上，人们对辩论性对话进行了广泛的实验。结果表明，我们的模型在识别说服性论点方面优于最先进的模型，通过明确地探索主题和话语的动态因素。我们进一步分析了话题和话语对说服力的影响，发现它们都是有用的-话题提供了具体的证据，而优越的话语风格可能会使参与者产生偏见，特别是在社交媒体争论中。此外，我们从实证结果中得出一些发现，这将有助于人们更好地参与未来的说服性对话。
2020-02-10 cs.CL
Argument Invention from First Principles
IBM Research（IBM研究院）
竞争激烈的辩论者经常发现自己面临着一项具有挑战性的任务-如何辩论一个他们知之甚少的话题，只有几分钟的准备时间，而且没有书籍或互联网？他们经常依靠的是“第一原则”，即与许多主题有关的常见论点，他们在过去的辩论中对此进行了改进。在这项工作中，我们的目标是明确地定义一个分类法，这种原则性的反复出现的论点，并给出一个有争议的话题，自动识别这些参数是相关的主题。据我们所知，这是第一次在NLP的上下文中形式化和明确地描述这种论证发明的方法。这项工作的主要目标是表明，它是可能的定义这样的分类。虽然这里提出的分类法应该被认为是“第一次尝试”，但它仍然是连贯的，很好地涵盖了相关的主题，并与专业辩论者在演讲中实际争论的内容相吻合，并促进了新主题的自动论点发明。
2019-08-22 cs.CL
Learning From Revisions: Quality Assessment of Claims in Argumentation at Scale
University of Bremen（不来梅大学）；Paderborn University（帕德博恩大学）
评价论证的质量和论证所包含的主张的质量已经成为计算论证中的一项关键任务。然而，即使不同的主张在同一主题上有着相同的立场，对它们的评估也取决于对所讨论主题的不同方面的先前看法和权重。这使得学习与主题无关的质量指标变得困难。在本文中，我们研究索赔质量评估，无论讨论的方面，通过比较不同的修订相同的索赔。我们编译了一个大规模的语料库，其中包含来自kialo.com的超过377k的各种类型的声明修订对，涵盖了政治，道德，娱乐等各种主题。然后，我们提出了两个任务：（a）评估一个修订对的索赔是更好的，和（b）排名的质量索赔的所有版本。我们的第一个基于嵌入的逻辑回归和基于transformer的神经网络的实验显示了有希望的结果，表明学习指标在各个主题中具有很好的泛化能力。在详细的错误分析中，我们深入了解索赔的哪些质量维度可以可靠地评估。我们提供重现所有结果所需的数据和脚本。
2021-01-25 cs.CL
Benchmarking Resource-Efficient LLMs for Research Topic Ontology Generation in the Biomedical Field
Knowledge Media Institute, The Open University, Milton Keynes, UK（开放大学知识媒体研究所）；Department of Business and Law, University of Milano-Bicocca, Milan, IT（米兰-比科卡大学商业与法律系）
本文评估五个小型开源LLMs识别生物医学概念语义关系的性能，引入MeSH-Rel-4K数据集并分析三种策略，发现针对性微调使平均F1分数显著提高，突破推理瓶颈，为构建生物医学本体提供准确自动化方法。
2026-07-21 cs.CL cs.DL
TACAM: Topic And Context Aware Argument Mining
LMU（慕尼黑大学）
在这项工作中，我们解决的问题，参数搜索。论元搜索的目的是从大型文本语料库中提炼出所请求主题的赞成和反对论元。在以前的作品中，通常的方法是使用一个标准的搜索引擎，以提取文本部分相关的给定的主题，随后使用一个参数识别算法，以选择参数。论元识别任务（也称为论元挖掘）的主要挑战是，包含论元的句子在结构上通常与纯粹信息性的句子相似，而对主题没有任何立场。事实上，它们只是语义上的不同。大多数方法仅在第一个搜索步骤中使用主题或搜索项信息，因此假设参数可以独立于主题进行分类。我们认为，主题信息是至关重要的参数挖掘，因为主题定义了一个参数的语义上下文。准确地说，我们提出了不同的模型进行分类的参数，其中考虑到一个参数的主题的信息。此外，为了丰富主题的上下文并让模型更好地理解潜在论点的上下文，我们整合了来自不同外部来源的信息，例如知识图谱或预训练的NLP模型。我们的评估表明，考虑主题信息，特别是与外部信息，参数挖掘任务提供了显着的性能提升。
2019-08-26 cs.CL cs.LG stat.ML
From Arguments to Key Points: Towards Automatic Argument Summarization
IBM Research（IBM研究院）
从给定主题的大量论点中生成简明摘要是一个有趣但尚未充分研究的问题。我们建议将这些摘要表示为一小部分谈话要点，称为“关键点”，每个要点根据其突出性进行评分。我们通过分析一个大型的群众贡献的参数数据集，每个主题的少量关键点通常足以覆盖绝大多数的参数。此外，我们发现领域专家通常可以提前预测这些关键点。我们研究了参数到关键点映射的任务，并为此任务引入了一个新的大规模数据集。我们报告了一组广泛的实验与此数据集的实证结果，表现出良好的性能。
2020-06-09 cs.CL
Discrete Argument Representation Learning for Interactive Argument Pair Identification
Fudan University（复旦大学）；Hong Kong Polytechnic University（香港理工大学）
在本文中，我们专注于提取互动的论点对从两个职位相反的立场，以某一主题。考虑到意见是从讨论主题的不同角度交换的，我们研究了论证的离散表示，以捕获论证语言中的不同方面（例如，辩论焦点和参与者行为）。此外，我们利用层次结构模型后明智的信息纳入上下文知识。从CMV收集的大规模数据集上的实验结果表明，我们提出的框架可以显着优于竞争基线。进一步的分析揭示了为什么我们的模型产生卓越的性能，并证明了我们学习的表示的有用性。
2019-11-05 cs.CL
A Community-Based Approach for Stance Distribution and Argument Organization
University of British Columbia（不列颠哥伦比亚大学）
本文提出一种无监督的图方法，用于社区基于的论证组织，通过分析文章并构建交互图，识别论证社区以帮助理解复杂观点。
2026-04-18 cs.CL
Taking a SEAT: Predicting Value Interpretations from Sentiment, Emotion, Argument, and Topic Annotations
Delft University of Technology（代尔夫特理工大学）
本研究提出利用情感、情绪、论证与主题（SEAT）多维度主观标注作为代理，让语言模型预测个体价值解读，实验证实多维度结合效果更优，为后续相关研究奠定基础。
2025-10-02 cs.CL
Echoes of Agreement: Argument Driven Opinion Shifts in Large Language Models
Independent Researcher（独立研究者）
本文研究了提示中支持与反驳论点对LLMs政治偏见评估的影响，发现论点会显著改变模型响应方向，揭示了模型的迎合倾向及其对偏见测量与缓解策略的影响。
2025-08-11 cs.CL
Measuring the Similarity of Sentential Arguments in Dialog
University of California Santa Cruz（加州大学圣克鲁兹分校）
当人们谈论社会或政治话题时，类似的论点经常被不同的说话者在许多不同的对话中转述。辩论网站会对这类主题的论点进行精心策划的总结;这些总结通常由代表经常被改写的命题的句子列表组成，或者捕捉论点某个特定方面的本质的标签，例如道德或第二修正案。我们把这些经常被改写的命题称为论证面。像这些策划网站一样，我们的目标是在多个对话中归纳和识别论点，并制作摘要。但是，我们的目标是自动做到这一点。我们将这个问题分为两个步骤：首先从原始的社交媒体对话中提取表达论点的句子，然后根据它们之间的相似性对提取的论点进行排名。相似参数的集合用于表示参数方面。我们在这里表明，我们可以预测辩论面相似性，相关性平均为0.63，而人类背线平均为0.68，在三个辩论主题上，很容易击败几个合理的基线。
2017-09-06 cs.AI cs.CL
Determining Relative Argument Specificity and Stance for Complex Argumentative Structures
Cornell University（康奈尔大学）；Amazon（亚马逊）
用于自动论点生成和辩论的系统需要以下能力：（1）确定论点中所采用的任何主张的立场，以及（2）评估每个主张相对于论点上下文的特异性。然而，现有的工作对理解主张的特异性和立场，一直局限于研究的论证结构是相对较浅的，最经常的是由一个单一的主张，直接支持或反对的论点。在本文中，我们处理这些任务的背景下，复杂的参数上的一组不同的主题。特别是，我们的数据集由741个有争议的主题的人工策划的论点树组成，涵盖95，312个独特的主张;论点线通常是深度2到6。我们发现，随着一对索赔之间的距离沿参数路径增加，确定一对索赔的相对特异性变得更容易，确定他们的相对立场变得更难。
2019-06-26 cs.AI cs.CL
A Dataset of General-Purpose Rebuttal
IBM Research（IBM研究院）；Intuition Robotics；Digimind
在自然语言理解中，响应生成的任务通常集中在对短文本的响应上，例如推文或对话中的转折。在这里，我们提出了一个新的任务，产生一个批判性的反应，一个长的议论文，并提出了一种方法的基础上，一般反驳参数来解决它。我们这样做的背景下，最近建议的听力理解任务的议论文内容：给定一个特定的主题演讲，并列出相关的参数，目标是要确定哪些参数出现在演讲中。我们在这里描述的一般反驳（用英语写的）克服了提供特定主题论点的需要，证明适用于大量主题。这允许创建超出特定参数可用的主题范围的响应。在这项工作中收集的所有数据都可免费用于研究。
2019-09-01 cs.AI cs.CL cs.LG
Natural Language Understanding for Argumentative Dialogue Systems in the Opinion Building Domain
Southeast University（东南大学）；Ulm University（乌尔姆大学）；Mercedes-Benz Research & Development（梅赛德斯-奔驰研发中心）
本文介绍了一个自然语言理解（NLU）框架，在信息寻求和意见建设领域的辩论对话系统。该框架包括两个子模型，即意图分类器和论点相似度。意图分类器模型将BiLSTM与注意力机制堆叠在预训练的BERT模型之上，并微调模型以识别用户意图，而论点相似性模型使用BERT + BiLSTM来识别用户在他或她的自然语言话语中引用的系统论点。我们的模型是在一个争论性的对话系统，从事用户通知他/她自己的一个有争议的话题，通过探索赞成和反对的论点，并建立他/她对这个话题的意见。为了评估所提出的方法，我们收集用户话语的互动与各自的系统标签的意图和参考参数在一个广泛的在线研究。数据汇集包括多个主题和两种不同的用户类型（来自英国的英语母语者和来自中国的非英语母语者）。此外，我们分别在公开的Banking77和STS基准数据集上评估了所提出的意图分类器和参数相似性模型。评估表明，在几个数据集的基线方法，以及对新的主题和不同的语言能力，以及用户的文化背景所提出的方法的鲁棒性所使用的技术的明显优势。此外，结果表明，我们的意图分类器模型在Few-Shot设置中优于DIET、DistillBERT和BERT微调模型（即，每个意图具有10、20或30个标记的示例）和完整的数据设置。
2022-02-19 cs.CL cs.LG
Embedding Models for Stance-Aware Argument Retrieval
Imperial College London（帝国理工学院）
本文针对立场感知的论证检索任务，发现现有稠密嵌入模型存在主题偏好、过度关注极性关键词等问题，通过引入诊断指标并提出结合平衡论证课程与立场反转论证的数据中心方案，缓解了模型过度纠正问题，提升了立场感知的论证检索效果。
2026-08-31 cs.AI cs.CL
Team Hitachi @ AutoMin 2021: Reference-free Automatic Minuting Pipeline with Argument Structure Construction over Topic-based Summarization
Hitachi（日立）
本文介绍了日立团队为第一个自动记录共享任务（AutoMin-2021）提出的自动记录系统。我们使用无参考方法（即，不使用训练分钟）进行自动记录（任务A），其首先基于主题将文字记录分成块，随后使用在聊天对话的摘要语料库上微调的预训练BART模型来总结这些块。此外，我们将一种参数挖掘技术应用于生成的会议记录，以结构良好和连贯的方式重新组织它们。我们利用多个相关性分数来确定一分钟是否来自同一次会议时，无论是文字记录或另一分钟（任务B和C）。在这些分数之上，我们训练一个传统的机器学习模型来绑定它们并做出最终决策。因此，我们对任务A的方法在所有提交的材料中获得了最好的充分性分数，并且在语法正确性和流畅性方面接近最好的系统。对于任务B和C，所提出的模型成功地优于多数票基线。
2021-12-06 cs.AI cs.CL cs.IR
Quantitative Argument Summarization and Beyond: Cross-Domain Key Point Analysis
IBM Research（IBM研究（IBM Research））
在总结关于某个主题的观点、论点或意见时，往往不仅需要提取最突出的观点，而且还需要量化其普遍性。传统上，多文档摘要的工作主要集中在创建文本摘要上，缺乏这种定量方面。最近的研究提出了通过将参数映射到专家生成的一小组关键点来总结参数，其中每个关键点的显着性对应于其匹配参数的数量。目前的工作在两个重要方面推进关键点分析：首先，我们开发了一种自动提取关键点的方法，该方法可以实现全自动分析，并显示出与人类专家相当的性能。其次，我们证明了关键点分析的适用性远远超出了论证数据。使用在公开的论证数据集上训练的模型，我们在另外两个领域取得了令人鼓舞的结果：市政调查和用户评论。另一个贡献是深入评估参数到关键点匹配模型，我们大大优于以前的结果。
2020-10-11 cs.CL
ConQRet: Benchmarking Fine-Grained Evaluation of Retrieval Augmented Argumentation with LLM Judges
Department of Computer Science（计算机科学系）；Emory University（埃默里大学）
针对检索增强论证缺乏整体细粒度评估的问题，本文提出多LLM评判者自动评估方法，并构建基于真实网站证据的ConQRet基准以衡量检索、论证质量与依据性。
2024-12-06 cs.AI cs.CL cs.IR
Syntactic and semantic classification of verb arguments using dependency-based and rich semantic features
Università di Roma “La Sapienza”（罗马第一大学）
语料库模式分析（CPA）是Semeval 2015年任务15的主题，旨在创建一个系统，帮助词典编纂者使用CPA注释过程构建英语动词的含义词典。CPA解析是这个注释过程的子任务之一，也是本报告的重点。一个监督的机器学习方法已经实现，其中来自解析树和语义特征来自WordNet和词嵌入的语法特征。结果表明，这种方法表现良好，即使与数据稀疏性问题，表征数据集，并可以获得更好的结果比其他系统的利润约4%的f-score。
2016-04-19 cs.CL
Team Enigma at ArgMining-EMNLP 2021: Leveraging Pre-trained Language Models for Key Point Matching
Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
我们为ArgMining 2021的关键点分析共享任务提交了系统描述。共享任务的轨道1要求参与者开发方法来预测每对论点和关键点之间的匹配得分，前提是它们属于同一立场下的同一主题。我们利用现有的最先进的预训练语言模型，并结合从输入（主题，关键点和参数）中提取的额外数据和特征来提高性能。在评估阶段，我们能够实现mAP严格和mAP放松得分分别为0.872和0.966，在排行榜上获得第5名。在后评估阶段，我们分别获得了0.921和0.982的mAP严格和mAP放松评分。在我们的模型上生成可重复结果的所有代码都可以在Github上找到。
2021-10-24 cs.CL
Corpus Wide Argument Mining -- a Working Solution
IBM Research AI（IBM研究院人工智能部门）
论点挖掘的主要任务之一是检索与给定主题相关的论点内容。大多数以前的工作通过检索相对少量的相关文档作为此类内容的初始源来解决这一任务。这一系列研究取得了一定的成功，但在现实世界的系统中使用有限。此外，为了使这样一个系统产生一套全面的相关论点，在广泛的主题，它需要以适当的方式利用一个大型和多样化的语料库。在这里，我们提出了第一个端到端的高精度，语料库范围内的参数挖掘系统。这是可能的，通过结合适当的索引一个非常大的语料库的报纸文章，一个迭代的注释方案的检索级查询。该方案解决了数据中固有的标签偏差，并精确定位了样本空间中需要手动标记以在排名靠前的候选者中获得高精度的区域。
2019-11-25 cs.AI cs.CL cs.IR
Opening up Minds with Argumentative Dialogues
University of Cambridge（剑桥大学）；University of Sheffield（谢菲尔德大学）；The Open University（开放大学）；Toshiba Cambridge Research Laboratory（东芝剑桥研究实验室）
最近对辩论对话的研究集中在说服人们采取行动，改变他们对讨论话题的立场，或赢得辩论。在这项工作中，我们专注于辩论对话，旨在打开（而不是改变）人们的思想，以帮助他们变得更加理解那些不熟悉或与自己的信念相反的观点。为此，我们提出了一个关于3个有争议的话题的183个争论性对话的数据集：素食主义，英国脱欧和COVID-19疫苗接种。这些对话是使用绿野仙踪方法收集的，其中向导利用论点的知识库与参与者交谈。开放的思想是衡量之前和之后的参与对话使用的问卷调查，从心理学文献，和对话的成功是衡量参与者的立场的变化，对那些持有不同的意见，他们。我们评估两种对话模式：基于维基百科和基于参数的模型。我们发现，虽然这两种模型在开放思想方面表现密切，但基于论点的模型在其他对话属性（如参与和清晰度）上明显更好。
2023-01-16 cs.AI cs.CL cs.LG
Automatic Summarization of Online Debates
The University of Sheffield（谢菲尔德大学）
辩论文摘是自动文摘领域中一个新颖且具有挑战性的研究领域，目前还没有得到广泛的研究。在本文中，我们开发了一个辩论摘要管道，以总结在线辩论的对立双方讨论或争论的关键主题。我们认为，辩论摘要的生成可以通过聚类、聚类标记和可视化来实现。在我们的工作中，我们研究了两种不同的聚类方法的摘要的生成。在第一种方法中，我们通过应用纯粹的基于术语的聚类和聚类标记来生成摘要。第二种方法利用X均值聚类和互信息标记的集群。这两种方法都由本体驱动。我们使用条形图来可视化结果。我们认为，我们的结果是一个顺利的入口，旨在接收的第一印象是什么讨论的辩论主题包含浪费的论证数量的用户。
2017-08-15 cs.AI cs.CL cs.IR
How Persuasive Could LLMs Be? A First Study Combining Linguistic-Rhetorical Analysis and User Experiments
Department of Computer, Control and Management Engineering, Sapienza University of Rome（计算机、控制与管理工程系，罗马萨皮恩扎大学）；Link University of Rome（罗马链接大学）
本研究通过用户实验和语言学-修辞分析，考察了ChatGPT在伦理敏感话题上生成文本的说服力，发现其论证结构一致但文体有限，且在伦理议题上说服效力受限，为AI说服研究提供了新见解。
2025-08-13 cs.AI cs.CL cs.CY
Uncovering Latent Arguments in Social Media Messaging by Employing LLMs-in-the-Loop Strategy
Purdue University（普渡大学）
本文提出一种通用的LLMs-in-the-Loop策略，利用大型语言模型从社交媒体信息中提取特定主题的潜在论点，并在气候和COVID-19疫苗运动数据集上验证了其有效性，同时设计了立场预测下游任务并分析了人口统计定向。
2025-01-27 cs.AI cs.CL cs.CY
