Zero-shot Sonnet Generation with Discourse-level Planning and Aesthetics Features
University of California, Los Angeles(加州大学洛杉矶分校)
诗歌生成和一般的创造性语言生成通常遭受缺乏大的训练数据。在本文中,我们提出了一个新的框架来生成十四行诗,不需要训练的诗歌。我们设计了一个层次化的框架,在解码之前规划诗歌草图。具体而言,内容规划模块在非诗歌文本上进行训练,以获得话语级的连贯性;然后,押韵模块生成押韵词,抛光模块出于美学目的引入图像和明喻。最后,我们设计了一个受限解码算法来对生成的十四行诗施加韵律约束。自动和人工评估表明,我们的多阶段方法没有对诗歌语料库进行训练,比几个强大的基线生成更连贯,诗意和创造性的十四行诗。
2022-05-03 cs.AI cs.CL cs.LG
Explanatory Summarization with Discourse-Driven Planning
Saarland University(萨尔兰大学);University of Edinburgh(爱丁堡大学)
本文提出一种基于话语驱动的规划方法,通过将规划作为输入或输出前缀来引导解释性摘要生成,在三个数据集上优于现有方法,并提升鲁棒性与可控性。
2025-05-26 cs.AI cs.CL cs.LG
INSET: Sentence Infilling with INter-SEntential Transformer
Microsoft Corporation(微软公司);Center for Theoretical Physics, MIT(麻省理工学院理论物理中心)
缺句生成(或句子填充)在自然语言生成中有着广泛的应用,如文档自动补全和会议笔记扩展。这个任务要求模型生成中间缺失的句子,这些句子可以在句法和语义上连接周围的上下文。解决句子填充任务需要自然语言处理中的技术,从理解到话语级规划再到生成。在本文中,我们提出了一个框架来解耦挑战并分别解决这三个方面,利用现有的大规模预训练模型(如BERT和GPT-2)的功能。我们经验证明了我们的模型在学习一个句子表示生成和进一步生成一个符合上下文的缺失句子的有效性。
2020-06-04 cs.CL
EmoDynamiX: Emotional Support Dialogue Strategy Prediction by Modelling MiXed Emotions and Discourse Dynamics
LTCI, Télécom Paris, Institut Polytechnique de Paris(LTCI,Telecom Paris, Institut Polytechnique de Paris);Inria Paris(Inria巴黎)
针对LLMs端到端情感支持对话系统策略不透明及偏好偏差问题,提出EmoDynamiX框架,将策略预测与生成解耦,建模用户细粒度情绪与系统策略的话语动态,提升性能与透明度。
2025-06-16 cs.CL
Zero-shot transfer for implicit discourse relation classification
Stockholm University(斯德哥尔摩大学)
对语篇中句子之间的关系进行自动分类是一项具有挑战性的任务,特别是在没有明显表达关系的情况下。由于带注释的训练数据仅存在于少数语言(例如英语和中文)的事实,这变得更具挑战性。我们提出了一个新的系统,使用zero-shot迁移学习隐式话语关系分类,其中唯一的资源用于目标语言是未注释的平行文本。该系统的话语注释TED-MDB并行语料库上进行了评估,在那里它获得了良好的效果,所有七种语言使用英语训练数据。
2019-07-30 cs.CL
Computational Fact-Checking of Online Discourse: Scoring scientific accuracy in climate change related news articles
L3S Research Center, Leibniz University Hanover(莱比锡大学汉诺威分校L3S研究中心);TIB - Leibniz Information Centre for Science and Technology(莱比锡科学与技术信息中心)
本文提出了一种半自动化的在线讨论事实核查方法,通过知识图谱分析评估气候变化相关新闻文章的科学准确性,并指出需要进一步完善事实知识图谱以支持科学公民讨论。
2025-11-26 cs.CL
Let's be explicit about that: Distant supervision for implicit discourse relation classification via connective prediction
Stockholm University(斯德哥尔摩大学)
在隐性话语关系分类中,我们希望在没有任何显性话语联系语的情况下预测相邻句子之间的关系。这甚至对人类来说也是一个挑战,导致注释数据的短缺,这使得监督机器学习方法的任务更加困难。在本研究中,我们不依赖于任何标记的隐含关系进行隐性话语关系分类。我们避开了缺乏数据,通过显式的隐含关系,减少任务到两个子问题:语言建模和显式的话语关系分类,一个更容易的问题。我们的实验结果表明,这种方法甚至可以略优于国家的最先进的,尽管是简单得多的替代模型的可比性能。此外,我们还表明,所实现的性能在各个领域都是鲁棒的,正如在完全不同的领域进行的零射击(zero-shot)实验所表明的那样。这表明语言建模的最新进展已经使得语言模型在没有显式话语标记的帮助下能够足够好地捕捉句子间的关系。
2021-06-06 cs.CL
GRASP: Graph-Reasoning Aided Survey Planning for High-Fidelity Related Work Generation
Department of Computer Science(计算机科学系)
研究如何写文献综述,核心方法是结合大语言模型规划与图算法,主要贡献是提出GRASP框架,其两层图结构及拓扑感知剪枝能生成与人工撰写匹配的相关工作部分。
2026-07-07 cs.CL
Leveraging Social Discourse to Measure Check-worthiness of Claims for Fact-checking
IIIT-Delhi(德里英迪拉·甘地信息技术研究所);IIT-Delhi(印度理工学院德里分校)
本文提出细粒度声明核查价值新任务及CheckIt数据集,并设计统一方法CheckMate联合判断声明是否值得核查及其原因,实验验证了整合核查价值因素的有效性。
2023-09-17 cs.CL
Discourse Comprehension: A Question Answering Framework to Represent Sentence Connections
The University of Texas at Austin(德克萨斯大学奥斯汀分校);University of Colorado Boulder(科罗拉多大学博尔德分校);University of California San Diego(加州大学圣地亚哥分校)
虽然通过简单的事实问答在文本理解方面已经有了实质性的进展,但是对话语的更全面的理解仍然是一个主要的挑战(Dunietz等人,2020年)。有人在阅读文本时批判性地反思文本,会提出好奇心驱动的,通常是开放式的问题,这些问题反映了对内容的深刻理解,需要复杂的推理来回答(Ko等人,2020; Westera等人,2020年)。建立和评估这种类型的话语理解模型的一个关键挑战是缺乏注释数据,特别是因为收集这些问题的答案需要注释者的高认知负荷。本文提出了一种新的范式,使可扩展的数据汇集针对新闻文件的理解,通过话语的镜头看这些问题。由此产生的语料库,DCQA(话语理解的问答),捕捉话语和句子之间的语义联系的形式自由,开放式的问题。在我们对Ko等人(2020)的问题进行注释的评估集上,我们表明DCQA为回答开放式问题提供了有价值的监督。我们还设计了预训练方法,利用现有的问答资源,并使用合成数据,以适应无法回答的问题。
2022-10-17 cs.CL
Automatic Fact-Checking Using Context and Discourse Information
我们研究自动事实核查的问题,特别注意语境和话语信息的影响。我们解决两个相关的任务:(i)检测值得检查的索赔,(ii)事实检查索赔。我们开发基于神经网络,基于内核的支持向量机,以及它们的组合,它利用丰富的输入表示的话语线索和上下文特征的监督系统。对于检查价值估计任务,我们专注于政治辩论,我们在参与者的全面干预以及辩论中的前一轮和后一轮的背景下对目标主张进行建模,同时考虑到上下文Meta信息。对于事实检查任务,我们专注于社区论坛中的答案验证,并且我们针对整个问题-答案线程以及整个论坛中的其他相关帖子对答案的真实性进行建模。我们为这两项任务开发了带注释的数据集,并进行了广泛的实验评估,证实了这两种类型的信息-尤其是上下文特征-发挥了重要作用。
2019-08-04 cs.AI cs.CL
The Use of Knowledge Preconditions in Language Processing
如果一个代理不具备执行一个动作所需的知识,它可以私下计划自己获得所需的信息,或者它可以通过对话让另一个代理参与计划过程。在本文中,我们展示了如何知识的先决条件的要求,可以用来占信息寻求话语中的子对话。我们首先提出了一个公理化的知识前提条件的共享计划模型的协作活动(Grosz和Kraus,1993年),然后提供了一个一般框架内的信息寻求子对话的话语处理的分析。在这个框架中,SharedPlans和它们之间的关系被用来模拟Grosz和Sidner(1986)的话语结构理论中的意图成分。
1995-08-29 cmp-lg cs.CL
DisCGen: A Framework for Discourse-Informed Counterspeech Generation
University of Pittsburgh(匹兹堡大学);Northeastern University(东北大学)
本文提出DisCGen框架,基于话语理论构建反言论分类体系和提示策略,并利用Reddit数据集训练大语言模型生成具有语境依据的反言论,以提升生成质量与安全性。
2023-11-29 cs.CL
Disco-RAG: Discourse-Aware Retrieval-Augmented Generation
Saarland University(萨尔兰大学);Shanghai Jiaotong University(上海交通大学);Fudan University(复旦大学);Zhejiang University(浙江大学);Tencent YouTu Lab(腾讯优图实验室)
Discourse-aware RAG框架通过构建篇章内结构树和跨篇章修辞图,提升知识整合能力,在问答和长文档摘要任务中取得最佳效果。
2026-04-17 cs.AI cs.CL cs.LG
How Temperature Shapes Ideological Discourse in Retrieval-Augmented Generation?
Wichita State University(威斯康星州立大学);São Paulo Catholic University(圣保罗天主教大学)
研究探讨温度对检索增强生成中意识形态话语的影响,通过对新冠治疗文章语料库应用词汇多维分析,让模型在不同温度下回答意识形态问题并评估,发现RAG框架易转移意识形态话语,中等温度下话语对齐最高,低温时下降。
2026-07-14 cs.CL
An Information Structural Approach to Spoken Language Generation
本文提出了一种生成具有上下文适当语调的独白的体系结构。在生成的高层次内容规划和句子规划阶段使用双层信息结构表示,以产生有效的、连贯的语音,使某些话语关系(如明确的对比)适当地突出。该系统能够产生适当的语调模式,不能产生的其他系统,仅依赖于词类和给定/新的区别。
1996-07-03 cmp-lg cs.CL
Align to Structure: Aligning Large Language Models with Structural Information
University of Minnesota Twin Cities(明尼苏达大学双城分校);Amazon(亚马逊)
通过整合语言学话语框架到强化学习中,结构对齐方法提升LLMs在长文本生成和摘要任务中的连贯性和结构组织能力。
2026-02-03 cs.AI cs.CL cs.LG
Centering in Japanese Discourse
在本文中,我们提出了一个计算处理的决议零代词在日本的话语,使用适应的中心算法。我们能够将语言特定的依赖性因素纳入中心算法的一个参数中。以前的分析已经规定,零代词和它的余指定符必须共享一个语法功能属性,例如{\sc Subject}或{\sc NonSubject}。我们表明,这种财产共享的规定是不必要的。此外,我们提出了{\sc主题歧义}的概念,它预测了一些歧义,发生在日语话语的中心框架。这一分析对自然语言系统中语言独立的话语模块的设计具有一定的意义。中心算法已实现在HPSG自然语言系统与英语和日语语法。
1996-09-24 cmp-lg cs.CL
Individual and Domain Adaptation in Sentence Planning for Dialogue
University of Sheffield(谢菲尔德大学);Stony Brook University(石溪大学);University of Pennsylvania(宾夕法尼亚大学)
口语对话系统的开发和部署面临的最大挑战之一是口语语言生成模块的设计。这一挑战来自于生成器需要适应对话域、用户群和对话上下文的许多特征。一种有前途的方法是可训练生成,它使用通用的语言知识,自动适应感兴趣的功能,如应用程序域,个人用户,或用户组。在本文中,我们提出并评估了一个可训练的句子规划器,提供餐厅信息的匹配对话系统。我们表明,可训练的句子规划可以产生复杂的信息表示,其质量是一个基于模板的发电机调谐到这个域的输出相媲美。我们还表明,我们的方法可以很容易地支持句子规划者适应个人,个性化的句子规划者通常比在一群人身上训练和测试的模型表现更好。以前的工作已经记录和利用个人偏好的内容选择,但据我们所知,这些结果提供了第一个示范的个人偏好的句子规划操作,影响的内容顺序,话语结构和句子结构的系统响应。最后,我们评估了不同特征集的贡献,并表明,在我们的应用程序中,n-gram功能往往做的更高层次的语言表示的基础上的功能。
2011-10-31 cs.CL
Understanding and Analyzing Inappropriately Targeting Language in Online Discourse: A Comparative Annotation Study
本文通过整合众包、专家与ChatGPT标注,比较分析在线对话中的不当针对性语言,揭示语境关键作用并发现新类别,为改进内容审核提供见解。
2025-05-22 cs.CL
Does Dependency Locality Predict Non-canonical Word Order in Hindi?
University of Stuttgart(斯图加特大学);Cornell University(康奈尔大学)
本研究针对印地语非规范OSV词序加工难度的认知因素问题,通过分类器对比语料库句子与置换句,发现依存长度最小化并非关键预测因子,语篇可预测性才是词序偏好的主要决定因素,为语篇产出理论提供了新证据。
2024-05-13 cs.CL
Discourse Context Predictability Effects in Hindi Word Order
IIT Delhi(德里印度理工学院);Cornell University(康奈尔大学);IISER Bhopal(博帕尔印度科学教育与研究院)
我们测试的假设,话语的可预测性影响印地语的句法选择。虽然先前的工作已经表明,许多因素(例如,信息状态,依赖长度和句法结构)影响印地语语序偏好,话语可预测性的作用在文献中未得到充分探讨。受前人句法启动研究的启发,我们研究了句子中的词和句法结构如何影响后面句子的词序。具体来说,我们从印地语-乌尔都语树库语料库(HUTB)中提取句子,置换这些句子的前动词成分,并建立一个分类器来预测哪些句子实际上发生在语料库中对人工生成的干扰。该分类器使用了一些基于话语的特征和认知特征来进行预测,包括依存长度、语义和信息状态。我们发现,信息状态和基于LSTM的话语可预测性影响语序的选择,特别是对非规范的对象前置顺序。最后,我们将我们的研究结果置于更广泛的句法启动文献中。
2022-10-25 cs.AI cs.CL cs.IT
When Cow Urine Cures Constipation on YouTube: Limits of LLMs in Detecting Culture-specific Health Misinformation
University of Michigan(密歇根大学);University of Kansas(堪萨斯大学);IIT Jodhpur(印度理工学院乔浦尔)
研究通过分析印度YouTube上的牛尿相关内容,揭示LLMs在处理文化特定健康谣言时的局限性,指出文化嵌入的谣言无法通过提示工程解决。
2026-04-23 cs.CL
Using LMs to Model the Effects of Context and Coreference during Sentence Comprehension
本研究通过系统变化GPT-2上下文窗口,发现扩展上下文提升心理语言学拟合,并证明追踪长距离指代关系是关键机制。
2026-10-09 cs.CL
Women, politics and Twitter: Using machine learning to change the discourse
ParityYEG;University of Alberta(阿尔伯塔大学);Dev Edmonton Society(埃德蒙顿发展协会);University of Toronto(多伦多大学)
在政治决策中纳入不同的声音加强了我们的民主体制。在加拿大政治制度中,各级民选政府都存在性别不平等。针对参与政治的妇女的网上虐待,如仇恨推文,助长了这种不平等,特别是关注其性别的推文。在本文中,我们介绍了ParityBOT:一个Twitter机器人,它通过发送有关有影响力的女性领导人和有关女性在公共生活中的事实的支持性推文,来对抗针对女性的滥用推文。ParityBOT是第一个基于人工智能的干预措施,旨在更好地影响女性在政治中的在线话语。该项目的目标是:($1$)提高人们对政治中性别不平等问题的认识,($2$)积极影响政治中的公共话语。本文的主要贡献是一个可扩展的模型来分类和应对仇恨推文的定量和定性评估。ParityBOT滥用分类系统在公共在线骚扰数据集上进行了验证。我们的结论与ParityBOT的影响分析,从干预期间收集的数据在$2019$艾伯塔省和$2019$加拿大联邦选举。
2019-11-25 cs.CL cs.LG cs.SI
OUTLINEFORGE: Hierarchical Reinforcement Learning with Explicit States for Scientific Writing
UC San Diego(圣迭戈大学);Ohio State University(俄亥俄州立大学)
OUTLINEFORGE通过分层强化学习和显式状态管理,提升科学写作的全局结构和引用一致性,改进文档规划和事实准确性。
2026-01-14 cs.AI cs.CL cs.LG
Detection of Temporality at Discourse Level on Financial News by Combining Natural Language Processing and Machine Learning
University of Vigo(维戈大学)
本文提出一种结合自然语言处理与机器学习的新系统,利用句法和语义依赖特征在话语层面检测金融新闻中关键陈述的时间性,以区分背景信息与预测内容,实验显示其检测精度优于基于规则的基线方法,为市场筛选中的金融决策提供预测性知识支持。
2024-03-30 cs.CE cs.CL cs.IR
Fact-Augmented Lookahead Planning for LLM Agents
University of Cambridge(剑桥大学)
提出LWM-Planner框架,通过从轨迹中提取关键事实并用于条件化动作提议、世界模型模拟和状态值估计,实现无需参数更新的在线规划改进,在多个环境上优于ReAct/Reflexion和纯搜索基线。
2026-06-09 cs.AI cs.CL cs.LG
Distilling Reasoning Without Knowledge: A Framework for Reliable LLMs
本文提出一种模块化框架,通过显式分离规划与事实检索及回答合成,提升大语言模型在需要最新或冲突信息时的可靠性。
2026-03-15 cs.AI cs.CL cs.IR
Polarized Patterns of Language Toxicity and Sentiment of Debunking Posts on Social Media
University of Science and Technology of China(中国科学技术大学)
本研究分析了社交媒体上大量辟谣帖,揭示了边缘用户、平台机制和情感表达对语言毒性与极化的影响,为减轻在线危害提供了见解。
2025-01-31 cs.AI cs.CL cs.CY
CORDIAL: Can Multimodal Large Language Models Effectively Understand Coherence Relationships?
The Pennsylvania State University(宾夕法尼亚州立大学);National Institute of Technology, Tiruchirappalli(特里奇里帕利学院)
本文提出CORDIAL基准,通过跨3个语篇领域、多粒度的连贯关系测试10余个MLLM的多模态语篇分析能力,发现顶级模型仍不及简单分类器基线。
2025-06-09 cs.AI cs.CL cs.CV