TabRAG: Improving Tabular Document Question Answering for Retrieval Augmented Generation via Structured Representations
Imperial College London(帝国理工学院)
TabRAG通过结构化表示改进表格文档问答,采用布局分割和视觉语言模型解析,提升表格问答性能。
2026-01-31 cs.AI cs.CL cs.CV
Knowledge Pull Requests for Continual Document Authoring
Johns Hopkins University(约翰霍普金斯大学)
提出知识拉取请求(KPRs)框架,通过提取、过滤、路由声明并标记冲突,实现可解释的持续文档修订,在维基百科跨语言修订和RAGTIME报告中优于重写或重新生成,并提升问答依据。
2026-09-23 cs.CL
Respect My Authority! HITS Without Hyperlinks, Utilizing Cluster-Based Language Models
Cornell University(康奈尔大学)
我们提出了一种方法来提高精度的初始文档排序,其中我们利用聚类信息在一个基于图形的框架。其主要思想是基于文档(一侧)和集群(另一侧)的二分图内的中心性进行重新排名,前提是这些是相互增强的实体。实体之间的链接是通过考虑从它们导出的语言模型来创建的。我们发现,我们的集群文档图产生更好的检索性能比以前提出的只文档图。例如,通过HITS风格的基于聚类的方法对文档进行基于权威性的重新排名,其性能优于先前提出的仅应用于文档图的PageRank启发算法。此外,我们还表明,集群的计算权威分数构成了一个有效的方法来识别集群包含很大比例的相关文件。
2008-04-22 cs.CL cs.IR
Capturing Style in Author and Document Representation
Laboratoire Hubert Curien, UMR CNRS 5516, Saint-Etienne, France(Hubert Curien实验室,CNRS UMR 5516,圣艾蒂安,法国)
针对现有模型未明确捕捉写作风格的问题,提出基于VIB的作者与文档表示架构,通过预定义风格特征提升可解释性,在三个数据集上匹配或超越基线并更准确捕捉作者风格。
2025-06-26 cs.CL cs.LG
Authors Should Label Their Own Documents
Echo Group(Echo集团);University of Southern California(南加州大学)
本文提出作者标注技术,通过作者自身标注提升数据质量,实验显示其在点击率和实用性上优于传统标注方法。
2026-01-07 cs.CL
HERMES: a multi-agent framework for structured knowledge extraction from ultra-long documents in geoscience
该研究提出HERMES多智能体框架,可从地球科学超长文档中提取结构化知识,在《无脊椎古生物学论著》上的实验显示其性能稳定、效率高且跨领域迁移性好,为历史文献结构化提供了可行途径。
2026-08-17 cs.CL
Learning Syntactic Rules and Tags with Genetic Algorithms for Information Retrieval and Filtering: An Empirical Basis for Grammatical Rules
自然语言的语法可以通过使用遗传算法来学习,遗传算法可以复制和改变语法规则和词性标签,从而提高后代语法成分的质量。语法规则是随机生成的,然后演变;这些规则导致改进的解析,偶尔改进的检索和过滤性能被允许进一步传播。LUST系统通过学习从解析的摘要获得的文档排名来学习文档摘要中使用的语言或子语言的特征。与将传统语言规则应用于检索和过滤应用程序不同,LUST开发了语法结构和标签,而无需事先强加一些常见的语法假设(例如,词性假设),从而产生基于经验并且针对该特定应用而优化的语法。
1995-05-04 cmp-lg cs.CL
The Right Information Extraction Pipeline Depends on the Document: Accuracy-Energy Trade-offs for Small, Local Models
本文研究小型本地模型在信息抽取中精度与能耗的权衡,发现批处理与FP8量化显著节能,且文档类型决定最优输入表示:版面丰富用视觉-语言模型,近纯文本用纯文本模型配廉价解析器。
2026-09-28 cs.AI cs.CL
Document Provenance and Authentication through Authorship Classification
Abasyn University Islamabad Campus(阿巴辛大学伊斯兰堡校区);Jeddah International College(吉达国际学院);AJOU University(亚洲大学);Munster Technological University(芒斯特理工大学)
风格分析,这是一个相对较少探索的主题,使几个有趣的应用程序。例如,它允许作者调整他们的写作风格,以便在协作中生成更连贯的文档。类似地,样式分析也可以作为主要步骤用于文档出处和身份验证。在本文中,我们提出了一个基于集成的文本处理框架的分类单和多作者的文档,这是在风格分析的关键任务之一。所提出的框架结合了几种最先进的文本分类算法,包括经典的机器学习(ML)算法,Transformers和深度学习算法,无论是单独还是基于择优的后期融合。对于基于价值的后期融合,我们采用了几种权重优化和选择方法来分配基于价值的权重到各个文本分类算法。我们还通过对干净和不干净的数据进行实验,分析了在预处理过程中通常被排除在NLP应用程序中的字符对任务的影响。在大规模基准数据集上对所提出的框架进行了评估,大大提高了现有解决方案的性能。
2023-03-02 cs.CL cs.DL
CMRAG: Co-modality-based visual document retrieval and question answering
Baidu Inc(百度公司);The University of Hong Kong(香港大学);Beihang University(北京航空航天大学);Peking University(北京大学)
CMRAG通过统一编码模型和共模信息检索方法,提升多模态视觉文档问答系统的性能。
2026-03-06 cs.CL
Gram2Vec: An Interpretable Document Vectorizer
Department of Computer Science(计算机科学系);Department of Linguistics(语言学系);Institute for Advanced Computational Science(先进计算科学研究所);Stony Brook University(石溪大学)
Gram2Vec通过语法特征的标准化相对频率实现文档向量化,用于作者身份验证和AI检测,展示其在可解释性上的优势。
2025-11-26 cs.CL
Authorship Attribution Using Word Network Features
University of North Texas(北德克萨斯大学)
在本文中,我们探索了一套新颖的功能,作者归属的文件。这些特征来自于自然语言文本的词网络表示。正如在以前的研究中所指出的,自然语言倾向于在词级上表现出复杂的网络结构,具有低的分离度和无标度(幂律)度分布。还有一些关于作者归属的工作,其中包含了来自复杂网络的想法。本文的目标是探索这些复杂网络的属性,这些属性适合作为基于机器学习的文档作者归属的特征。我们在三个不同的数据集上进行了实验,并获得了令人满意的结果。
2013-11-12 cs.CL
VLD-RAG: Agentic Vision-Language Retrieval-Augmented Generation for Long, Visually-Rich Multi-Page Documents
Mazelone(马泽隆)
研究针对视觉丰富的长文档问答的多模态检索增强生成,提出VLD-RAG框架,构建多模态索引并采用混合检索策略,经智能体工作流程协调,在相关基准上提升了证据页面检索及问答表现,凸显协调验证与混合检索的重要性。
2026-07-29 cs.AI cs.CL cs.IR
Higher Criticism for Discriminating Word-Frequency Tables and Testing Authorship
Stanford University(斯坦福大学)
本研究调整Higher Criticism拟合优度检验用于衡量词频表相似度,应用于作者归属任务,无需手工调参即达SOTA准确率,还能识别作者特征词,且受主题结构影响小。
2022-06-21 cs.CL cs.LG stat.CO
Anchor Prediction: A Topic Modeling Approach
Université de Lyon(里昂大学);MeetSYS
通过超链接连接的文档网络,如维基百科,无处不在。作者插入了超链接,以丰富文本,方便在网络上浏览。然而,作者倾向于只插入一小部分相关的超链接,主要是因为这是一项耗时的任务。在本文中,我们解决了一个注释,我们称之为锚预测。尽管它在概念上接近于链接预测或实体链接,但它是一个不同的任务,需要开发一个特定的方法来解决它。给定一个源文档和一个目标文档,这个任务包括自动识别源文档中的锚点,即应该携带指向目标文档的超链接的单词或术语。我们提出了一个上下文中的关系主题模型,CRTM,该模型作为在源文档中的锚和目标文档的整个内容的本地上下文的函数文件之间的直接链接。该模型可用于预测源文档中的锚点,给定目标文档,而不依赖于先前看到的提及或标题的字典,也不依赖于任何外部知识图谱。作者可以从CRTM中受益,让它自动建议超链接,给定一个新文档和一组要连接的目标文档。它还可以通过在他们正在阅读的文档之间动态插入超链接来使读者受益。在几个维基百科语料库(英语,意大利语和德语)上进行的实验突出了锚点预测的实用性,并证明了我们的方法的相关性。
2022-06-01 cs.CL
Style-aware Neural Model with Application in Authorship Attribution
University of Central Florida(中佛罗里达大学)
写作风格是与特定作者在不同语言产生水平(包括词汇,句法和结构)相关的一致决定的组合。在本文中,我们引入了一个风格感知的神经模型编码的文档信息从三个风格层次和评估它在域的作者归属。首先,我们提出了一个简单的方法来共同编码句子的句法和词汇表示。随后,我们采用了基于注意力的分层神经网络来编码文档中句子的句法和语义结构,同时奖励那些对捕捉写作风格贡献更大的句子。我们的实验结果,四个基准数据集的基础上,揭示了编码文档信息的好处,从所有三个文体水平相比,在文献中的基线方法。
2019-09-12 cs.CL cs.LG
Author's Sentiment Prediction
Stony Brook University(石溪大学)
我们介绍PerSenT,一个众包的作者对新闻文章中的主要实体所表达的情感注释的数据集。该数据集还包括段落级情感注释,为任务提供更细粒度的监督。我们对多个强基线的基准测试表明,这是一项困难的分类任务。结果还表明,简单地从BERT微调文档级表示是不足以完成这项任务的。做出段落级的决定并将其汇总到整个文档中也是无效的。我们提出了实证和定性分析,说明了这个数据集所带来的具体挑战。我们发布了这个数据集,其中包含5.3k文档和38k段落,涵盖3.2k个唯一实体,作为实体情感分析的挑战。
2020-11-12 cs.CL cs.LG
ALMs: Authorial Language Models for Authorship Attribution
University of Birmingham(伯明翰大学)
本文提出作者语言模型(ALMs),通过计算候选作者语料微调的因果语言模型对存疑文档的困惑度来识别作者,在Blogs50和CCAT50数据集上表现优异,并在短文本上进行了消融测试。
2024-02-13 cs.CL
Evaluation of Attribution Bias in Generator-Aware Retrieval-Augmented Large Language Models
Leiden University(莱顿大学);University of Strathclyde(斯特拉思克莱德大学);eBay Inc.(eBay公司);University of Amsterdam(阿姆斯特丹大学)
本文研究了RAG中LLMs的归因敏感性与作者身份偏差,发现添加作者信息会使归因质量改变3%至18%,且模型更偏向人类作者,揭示了LLMs的新脆弱性。
2025-07-12 cs.CL
SMAuC -- The Scientific Multi-Authorship Corpus
Bauhaus-Universität Weimar(魏玛包豪斯大学);Leipzig University(莱比锡大学)
针对科学出版物作者身份分析缺乏大规模数据集的问题,构建了包含逾300万篇论文、超500万作者的元数据丰富语料库SMAuC,旨在推动该领域研究。
2023-05-10 cs.CL cs.DL
Authorship Analysis based on Data Compression
German Aerospace Center (DLR)(德国航空航天中心(DLR))
本文提出了使用快速压缩距离(FCD)进行作者身份分析,这是一种基于压缩的相似性度量,直接从书面文本中提取词典。FCD通过在两个相关字典之间的交集上进行有效的二分搜索来计算两个文档之间的相似度。在报告的实验中,所提出的方法被应用到文件是异构的风格,写在五种不同的语言,来自不同的历史时期。结果与最新技术水平相当,并且优于传统的基于压缩的方法。
2014-02-14 cs.CL cs.DL cs.IR
A Framework for Authorial Clustering of Shorter Texts in Latent Semantic Spaces
Otto von Guericke University Magdeburg(马格德堡奥托·冯·格里克大学)
作者聚类涉及对由同一作者或作者团队撰写的文档进行分组,而没有任何关于作者写作风格或主题偏好的先前正面示例。对于较短文本(段落长度的文本通常比传统文档短)的作者聚类,文档表示特别重要:非常高维的特征空间导致数据稀疏,并遭受严重的后果,如维数灾难,而特征选择可能导致信息丢失。我们提出了一个高层次的框架,它利用一个紧凑的数据表示在一个潜在的特征空间与非参数主题建模。作者聚类识别之后,在两种情况下:(a)完全无监督和(b)半监督,其中少量较短的文本已知属于同一作者(必须链接约束)或不属于同一作者(不能链接约束)。我们报告了120个集合在三种语言和两种类型的实验,并表明基于主题的潜在特征空间提供了一个有前途的性能水平,同时减少了1500的因素相比,国家的最先进的维数。我们还表明,虽然先验知识的精确数量的作者(即作者集群)并没有贡献太多的额外质量,很少的知识约束作者集群成员资格导致明确的性能改善,在前面的这一艰巨的任务。对标准度量的深入实验表明,作者聚类仍然有很大的改进空间,特别是对于较短的文本
2020-11-30 cs.AI cs.CL cs.LG
Separating Style from Substance: Enhancing Cross-Genre Authorship Attribution through Data Selection and Presentation
Information Sciences Institute, University of Southern California(南加州大学信息科学学院)
针对跨主题与跨体裁作者归属识别中训练数据稀缺及模型依赖主题的问题,本文提出训练数据选择方法和新型学习课程,显著提升跨体裁识别性能。
2024-08-09 cs.CL
Evaluation of LLMs-based Hidden States as Author Representations for Psychological Human-Centered NLP Tasks
Stony Brook University(石溪大学)
本文系统评估了基于LLMs和HuLMs的不同文档与用户表征方式在心理人本中心NLP任务中的效果,发现词元隐藏状态平均表征通常最佳,且引入用户级隐藏状态可增强文档与用户表征并提升性能。
2025-02-28 cs.AI cs.CL cs.HC
A Step Towards Interpretable Authorship Verification
Fraunhofer Institute for Secure Information Technology SIT(弗劳恩霍夫安全信息技术研究所)
在数字文本取证领域研究多年的一个中心问题是两个文档是否由同一作者撰写的问题。作者身份验证(authorship verification,AV)是该领域的一个研究分支,主要解决这一问题.多年来,AV背景下的研究活动稳步增加,这导致了试图解决这一问题的各种方法。然而,这些方法中的许多方法利用与文档的主题相关或受其影响的特征。因此,可能会意外地发生他们的验证结果不是基于写作风格(AV的实际重点),而是基于文档的主题。为了解决这个问题,我们提出了另一种AV方法,只考虑主题不可知的功能在其分类决策。此外,我们提出了一个事后解释方法,允许了解哪些特定的功能有助于预测建议的AV方法。为了评估我们的AV方法的性能,我们在四个具有挑战性的数据集上将其与十个竞争基线(包括当前最先进的基线)进行了比较。结果表明,我们的方法在两种情况下优于所有基线(最大准确率为84%),而在其他两种情况下,它的表现以及最强的基线。
2020-07-07 cs.CL
Method for Customizable Automated Tagging: Addressing the Problem of Over-tagging and Under-tagging Text Documents
University of North Carolina(北卡罗来纳大学);Kennesaw State University(肯尼索州立大学);MD&I (IBM)(MD&I(IBM公司))
使用作者提供的标记来预测新文档的标记通常会导致标记的过度生成。在作者没有提供任何标签的情况下,我们的文档面临着严重的标签不足问题。在本文中,我们提出了一种方法来生成一个通用的标签,可以广泛应用于一个大型的文档语料库。使用IBM Watson的NLU服务,首先,我们从语料库中的8,854个流行报告中收集我们称之为“复杂文档标签”的关键字/短语。我们将LDA模型应用于这些复杂的文档标签,生成一组765个唯一的“简单标签”。在将标记应用于文档语料库时,我们通过IBM Watson NLU运行每个文档并应用适当的简单标记。仅使用765个简单的标签,我们的方法允许我们在语料库中的88,583个文档中使用至少一个标签标记87,397个。在总共87,397份文件中,约有92.1%也被确定为被标记。最后,我们讨论了我们的方法的性能及其局限性。
2020-04-30 cs.CL cs.IR
Similarity Learning for Authorship Verification in Social Media
Ruhr University Bochum(波鸿鲁尔大学);Bucknell University(巴克内尔大学)
作者身份验证试图回答两个未知作者的文档是否由同一作者撰写的问题。已经提出了一系列成功的技术方法来完成这项任务,其中许多是基于传统的语言特征,如n-gram。这些算法对于某些类型的书面文档(如书籍和小说)取得了良好的效果。然而,社交媒体的作者身份验证是一项更具挑战性的任务,因为消息往往相对较短,具有各种不同的类型和主题。在这一点上,基于n-gram等特征的传统方法取得了有限的成功。在这项工作中,我们提出了一个新的神经网络拓扑结构的相似性学习,显着提高了性能的作者验证任务,这样具有挑战性的数据集。
2019-08-20 cs.CL cs.LG stat.ML
LG4AV: Combining Language Models and Graph Neural Networks for Author Verification
L3S Research Center(L3S研究中心);University of Kassel(卡塞尔大学)
文档作者的自动验证在各种设置中都很重要。例如,研究人员根据其出版物的数量和影响进行评判和比较,公众人物则根据他们在社交媒体平台上的帖子进行评判和比较。因此,经常使用的Web服务和平台中的作者身份信息是正确的,这一点很重要。一个给定的文档是否由给定的作者撰写的问题通常被称为作者身份验证(AV)。虽然AV是一个广泛研究的问题,一般来说,只有少数作品考虑设置的文件是短的,写在一个相当统一的风格。这使得大多数方法对于学术领域中的在线数据库和知识图谱是不实用的。在这里,科学出版物的作者必须得到验证,通常只有摘要和标题可用。在这一点上,我们提出了我们的新方法LG4AV结合语言模型和图神经网络的作者身份验证。通过直接在预先训练的Transformer架构中提供可用文本,我们的模型不需要任何手工制作的样式特征,这些特征在写作风格至少在某种程度上是标准化的场景中没有意义。通过将一个图神经网络结构,我们的模型可以受益于作者之间的关系,是有意义的验证过程。例如,科学作者更有可能写与他们的合著者有关的主题,而twitter用户则倾向于发布与他们关注的人相同的主题。我们实验评估我们的模型和研究在何种程度上包括合作作者提高了文献计量环境中的验证决策。
2021-09-03 cs.AI cs.CL cs.LG
AuthBench: A Large-Scale Multilingual Benchmark for Authorship Representation across Genres and Lengths
Cornell University(康奈尔大学)
AuthBench是一个大规模多语言作者身份表征基准,涵盖多种语言、体裁和长度,通过统一零样本协议评估47个神经模型,发现作者身份表征仍远未解决,并提供诊断资源以研究其成败原因。
2026-09-09 cs.AI cs.CL
Multilingual Twitter Corpus and Baselines for Evaluating Demographic Bias in Hate Speech Recognition
Adobe Research(奥多比研究院)
现有的文献分类模型的公平性评价研究主要是使用合成的单语数据,没有地面真理的作者人口统计属性。在这项工作中,我们组装并发布了一个多语言的Twitter语料库的仇恨言论检测的任务推断四个作者的人口统计因素:年龄,国家,性别和种族/民族。语料库涵盖五种语言:英语、意大利语、波兰语、葡萄牙语和西班牙语。我们使用众包平台评估推断的人口统计标签,图8。为了检验可能导致偏见的因素,我们对英语语料库进行了人口预测性的实证分析。我们测量四个流行的文档分类器的性能,并评估的公平性和偏见的基线分类器上的作者级的人口统计属性。
2020-03-03 cs.CL
Deep Bayes Factor Scoring for Authorship Verification
Ruhr University Bochum(波鸿鲁尔大学);Bucknell University(巴克内尔大学)
PAN 2020作者身份验证(AV)挑战的重点是在一组同人小说文本上进行跨主题/封闭集AV任务。同人小说是由同人创作的故事情节的延伸,其中一个所谓的同人话题描述了文档的主要主题。PAN 2020 AV任务中提供的数据相当具有挑战性,因为包括了多个/不同同人圈主题的文本作者。在这项工作中,我们将两种众所周知的方法分层融合到一个端到端的学习过程中:底部的深度度量学习框架旨在学习一个伪度量,将可变长度的文档映射到固定大小的特征向量上。在顶部,我们结合了一个概率层,以在学习的度量空间中执行贝叶斯因子评分。我们还提供了文本预处理策略来处理跨主题问题。
2020-08-23 cs.CL cs.LG
Stylometry Analysis of Human and Machine Text for Academic Integrity
University of Jeddah(约旦大学);University of Engineering and Technology(工程大学);Munster Technological University(穆斯廷技术大学);King Abdulaziz University(阿卜杜勒阿齐兹大学)
本文提出基于NLP的框架,通过作者归属和风格分析检测学术内容中的机器生成文本,以提升学术诚信。
2026-01-03 cs.AI cs.CL
A Linear-complexity Multi-biometric Forensic Document Analysis System, by Fusing the Stylome and Signature Modalities
Iran University of Science and Technology(伊朗科技大学);Ferdowsi University of Mashhad(马什哈德菲尔多西大学);University of Girona(赫罗纳大学);University of California, Berkeley(加州大学伯克利分校);University of Sassari(萨萨里大学);University of Silesia(西里西亚大学)
法医文件分析(FDA)解决了查找给定文件的作者的问题。通过多种形式(如笔迹、签名、语言写作风格(即文体)等)识别文件撰写人已经在FDA的最新技术水平中进行了研究。但是,没有对花柱和特征模态的融合进行研究。在本文中,我们提出了这样一个双峰FDA系统(在司法,警察相关的,和历史文件分析中有着广泛的应用),重点是时间复杂度。所提出的双模系统可以以线性时间复杂度进行训练和测试。为了这个目的,我们首先重新审视多项式朴素贝叶斯(MNB),作为最好的国家的最先进的线性复杂度的作者归属系统,然后,证明其优越的准确性,以著名的线性复杂度分类器在国家的最先进的。然后,我们提出了一个模糊版本的MNB融合与国家的最先进的著名的线性复杂度模糊签名识别系统。为了评估的目的,我们构建了一个嵌合数据集,由不同信件的签名和文本内容组成。尽管其线性复杂性,所提出的多生物特征识别系统被证明是有意义地改善其国家的最先进的单峰同行,关于准确性,F分数,检测错误权衡(DET),累积匹配特性(CMC),和匹配分数直方图(MSH)的评价指标。
2019-01-26 cs.CL
Unary and Binary Classification Approaches and their Implications for Authorship Verification
检索索引的文件,而不是他们的主题内容,但他们的写作风格打开了大门,在信息检索(IR)的一些应用程序。一个应用是检索某个作者X的文本内容,其中被查询的IR系统预先被提供有X的一组参考文本。作者身份验证(AV),这是数字文本取证领域的一个研究课题,适合于这一目的。AV的任务是确定两个文档(即索引文档和参考文档)是否由同一作者X编写。尽管AV表示一元分类问题,但许多现有方法将其视为二元分类任务。然而,潜在的分类模型的AV方法有一些严重的影响,其先决条件,可评估性和适用性。在我们的综合文献综述中,我们观察到一些关于区分一元和二元AV方法的误解,需要考虑。本文的目的是,因此,澄清这些提出明确的标准和新的属性,旨在改善现有的和未来的AV方法的特性。鉴于这两个,我们调查现有的11个一元和二进制AV方法,以及四个通用的一元分类算法对两个自编语料库的适用性。此外,我们强调了一个重要的问题,关于评价AV方法的基础上固定的决策标准,这在以前的AV研究中没有受到重视。
2018-12-31 cs.CL cs.IR cs.LG
Quantitative Discourse Cohesion Analysis of Scientific Scholarly Texts using Multilayer Networks
University of Delhi(德里大学);Indraprastha Institute of Information Technology(英德拉普拉斯塔信息技术学院)
语篇衔接有助于语篇的理解,帮助读者形成连贯的叙述。本研究的目的是利用多层网络表征技术对科技学术文本中的语篇衔接进行计算分析,并量化文档的写作质量。利用科技学术语篇的层次结构,我们设计了章节级和文档级的指标来评估语篇中词汇衔接的程度。我们使用一个公开的数据集以及一组精心策划的对比示例,通过将它们与使用现有内聚分析工具计算的选择指数进行比较来验证所提出的指标。我们观察到,所提出的指标与现有的凝聚力指数的预期相关。我们还提出了一个分析框架,CHIAA(再检查一次,作者),提供指针,作者在手稿的帮助下,部分级和文档级的指标的潜在改进。CHIAA框架为作者提供了一个清晰而精确的处方,通过定位语篇中存在衔接缺口的区域来提高写作水平。我们证明了CHIAA框架的有效性,使用简洁的例子,从实验数据集的衔接不足的文本摘录。
2022-05-16 cs.CL
Aggregation-Aware Synthetic Text Generation Against Authorship Re-Identification
The Pennsylvania State University(宾夕法尼亚州立大学);Information Sciences and Technology(信息科学与技术学院)
该研究提出AAST框架,通过捆绑层面联合选择合成文本解决现有作者混淆方法忽略跨文档关联的问题,实验显示其可降低账户级可链接性并保留文本质量。
2026-08-25 cs.AI cs.CL
Learning Document-Level Semantic Properties from Free-Text Annotations
Massachusetts Institute of Technology(麻省理工学院)
本文提出了一种利用自由文本关键词注释来推断文档语义属性的新方法。由于最近半结构化的用户生成的在线内容的急剧增长,这样的注释变得越来越丰富。一个特别相关的领域是产品评论,这些评论通常由其作者用优点/缺点关键词进行注释,例如真正的讨价还价或良好的价值。这些注释代表了底层的语义属性;然而,与专家注释不同,它们是嘈杂的:外行作者可能使用不同的标签来表示相同的属性,并且某些标签可能会丢失。为了使用这种嘈杂的注释进行学习,我们发现了一个隐藏的释义结构,它将关键短语聚集在一起。释义结构与评论文本的潜在主题模型相联系,使系统能够预测未注释文档的属性,并有效地聚合多个评论的语义属性。我们的方法被实现为一个分层贝叶斯模型与联合推理。我们发现,联合推理增加了关键词聚类的鲁棒性,并鼓励潜在的主题与语义有意义的属性。多个评估表明,我们的模型大大优于其他方法总结成一组语义突出的关键词的单个和多个文件。
2014-01-15 cs.CL cs.IR
Chain of Evidence: Pixel-Level Visual Attribution for Iterative Retrieval-Augmented Generation
National Engineering Research Center for Software Engineering, Peking University(软件工程国家级工程研究中心,北京大学);City University of Hong Kong(香港城市大学);Peking University(北京大学);Tencent Technology(腾讯科技)
提出Chain of Evidence (CoE)框架,利用视觉语言模型直接对检索到的文档截图进行推理,输出精确边界框以可视化完整推理链,解决迭代检索增强生成中的粗粒度归因和视觉语义丢失问题。
2026-05-23 cs.AI cs.CL cs.CV
Inference of Fine-grained Attributes of Bengali Corpus for Stylometry Detection
Jadavpur University(贾达普大学)
文体学,推断作者的特点,作者写的文件的特点的科学,是一个有着悠久历史的问题,属于文本分类的核心任务,涉及作者身份识别,剽窃检测,法医调查,计算机安全,版权和财产纠纷等。在这项工作中,我们提出了一个策略,以孟加拉语写的文件的文体检测。我们采用了一组细粒度的属性特征与一组词汇标记的文本分析,并使用三个半监督的措施作出决定。最后,采用多数表决法进行最终分类。该系统是全自动的,与语言无关。我们尝试孟加拉作者的风格检测的评估结果显示,与基线模型相比,相当有前途的准确性。
2012-10-13 cs.CL cs.CV
On Extractive and Abstractive Neural Document Summarization with Transformer Language Models
Element AI;Montréal Institute for Learning Algorithms(蒙特利尔学习算法研究所);Université de Montréal(蒙特利尔大学);École Polytechnique de Montréal(蒙特利尔高等理工学院)
我们提出了一种方法,通过神经抽象摘要产生超过几千字的长文档的摘要。在生成摘要之前,我们执行一个简单的提取步骤,然后在生成摘要之前,使用该摘要来根据相关信息调节Transformer语言模型。我们表明,这一提取步骤显着提高摘要结果。我们还表明,这种方法产生更抽象的摘要相比,以前的工作,采用复制机制,同时仍然实现更高的胭脂分数。注意:上面的摘要不是作者写的,它是由本文中提出的一个模型生成的。
2020-04-28 cs.CL
The Trumpiest Trump? Identifying a Subject's Most Characteristic Tweets
Stony Brook University(石溪大学)
任何一个作者所产生的文档序列在风格和内容上都各不相同,但有些文档比其他文档更典型或更能代表该来源。我们量化的程度,一个给定的短文本是一个特定的人的特点,使用数据集的推文从15个名人。这种分析对于生成大量Twitter个人资料的摘录以及了解代表性与推文受欢迎程度的关系非常有用。我们首先考虑二进制作者检测的相关任务(x是文本T的作者吗?),并报告了针对该问题的五种方法中最好的一种的测试准确率为90.37%。然后,我们使用这些模型来计算一个作者的所有文本之间的表征分数。一项用户研究显示,人类评估者同意我们数据集中所有15位名人的特征模型,每个人的p值< 0.05。我们使用这些分类器来显示特征分数和相关文本的受欢迎程度之间惊人的强相关性。事实上,在我们的研究中,15位名人中有13位的这一得分与推文受欢迎程度(喜欢/回复/转发)之间存在统计学显著相关性。
2019-09-09 cs.CL
ReAct: A Review Comment Dataset for Actionability (and more)
Adobe Research(Adobe研究院);Adobe System(奥多比系统公司)
评审意见在文件的演变过程中起着重要作用。对于一个大的文档,审阅注释的数量可能会变得很大,这使得作者很难快速掌握注释的内容。重要的是要识别评论的性质,以确定哪些评论需要文档作者采取某些行动,以及识别这些评论的类型。在本文中,我们介绍了一个带注释的评论评论数据集ReAct。评论来源于OpenReview网站。我们为这些评论提供了可操作性和评论类型的众包注释。我们分析了数据集的属性,并验证了注释的质量。我们将数据集(https://github.com/gtmdotme/ReAct)作为一个主要贡献发布给研究社区。我们还将我们的数据与分类任务的标准基线进行基准测试,并分析其性能。
2022-10-02 cs.CL cs.LG
Beyond the Chat: Executable and Verifiable Text-Editing with LLMs
Salesforce AI Research(赛富时人工智能研究院);UC Berkeley(加州大学伯克利分校)
本文提出 InkSync 编辑界面,通过文档内可执行编辑、新信息警告、外部搜索验证和内容轨迹审计,解决 LLM 聊天式编辑缺乏透明性与可验证性的问题。
2023-09-27 cs.CL cs.HC
The Clustering of Author's Texts of English Fiction in the Vector Space of Semantic Fields
Ivan Franko Lviv National University(伊万·弗兰科利沃夫国立大学)
分析了文本在语义场向量空间和正交基语义空间中的聚类问题。结果表明,基于语义场的向量空间模型在英文小说作者文本聚类分析中是有效的。对作者语篇分布的聚类分析表明,存在着代表作者个人思想的语义空间区域。对语义场矩阵进行SVD分解,可以显著降低作者文本聚类分析中语义空间的维数。
2012-12-06 cs.CL cs.DL cs.IR
Authorship Attribution Using the Chaos Game Representation
Wolfram Research(沃尔夫勒姆研究公司);Faculty of Sciences, University of Craiova(克拉约瓦大学理学院)
混沌游戏表示,一种从核苷酸序列创建图像的方法,被修改为从文本文档块中创建图像。然后,机器学习方法被应用于基于作者身份的训练分类器。实验进行了几个基准数据集的英语,包括广泛使用的联邦党人论文,和葡萄牙语。训练的分类器的验证结果与先前文献中的最佳方法具有竞争力。该方法也成功地应用于文本分类,取得了令人鼓舞的结果。此外,一种分类器方法被认为是数字指纹识别任务的希望。
2018-02-14 cs.CL cs.DL cs.IR
Knowledge-Driven Cross-Document Relation Extraction
IIIT-Delhi(德里印度信息技术学院);Cerence GmbH(Cerence公司);Zerotha Research(Zerotha研究院);University of Kentucky(肯塔基大学)
针对现有跨文档关系抽取(CrossDocRE)未利用领域知识的问题,本文提出KXDocRE方法,融合实体领域知识与输入文本,兼具可解释性且性能优于现有方法。
2024-06-18 cs.CL cs.IR
Integrating Bidirectional Long Short-Term Memory with Subword Embedding for Authorship Attribution
University of Pretoria(比勒陀利亚大学);University of the Witwatersrand(金山大学);Durban University of Technology(德班理工大学)
提出基于BLSTM与二维CNN的方法,利用子词信息捕捉序列写作风格,解决作者归属中未登录词问题,在CCAT50和Twitter上准确率分别提升1.07%和0.96%。
2023-06-26 cs.AI cs.CL cs.LG
Enriching BERT with Knowledge Graph Embeddings for Document Classification
DFKI GmbH(德国人工智能研究中心);University of Konstanz(康斯坦茨大学)
在本文中,我们专注于使用简短的描述性文本(封面简介)和附加元数据的图书分类。在深度神经语言模型BERT的基础上,我们演示了如何将文本表示与元数据和知识图谱嵌入相结合,这些嵌入对作者信息进行编码。与标准的BERT方法相比,我们取得了更好的分类任务的结果。对于使用8个标签的更粗粒度的分类,我们获得了87.20的F1分数,而使用343个标签的详细分类产生了64.70的F1分数。我们公开了实验的源代码和训练模型
2019-09-18 cs.CL cs.IR cs.LG
Document Embedding with Paragraph Vectors
Google(谷歌)
段落向量最近被提出作为一种无监督的方法,用于学习文本的分布式表示。在他们的工作中,作者表明,该方法可以学习电影评论文本的嵌入,这些文本可以用于情感分析。这一概念证明虽然令人鼓舞,但范围相当狭窄。在这里,我们考虑任务以外的情感分析,提供了一个更彻底的比较段落向量的其他文档建模算法,如潜在的Dirichlet分配,并评估性能的方法,因为我们不同的维数的学习表示。我们在两个文档相似性数据集上对模型进行了基准测试,一个来自维基百科,一个来自arXiv。我们观察到段落向量方法的性能明显优于其他方法,并提出了一个简单的改进来提高嵌入质量。有些令人惊讶的是,我们还表明,很像词嵌入,向量操作段落向量可以执行有用的语义结果。
2015-07-29 cs.AI cs.CL cs.LG