arXiv cs.AI· Xuyao Feng, Anthony Hunter·· 3 天前AI 评分22
用神经符号方法识别自然语言论证中的蕴含与矛盾关系
Identification of Entailment and Contradiction Relations for Natural Language Argumentation: A Neurosymbolic Approach
AI 导读
研究提出一种神经符号方法，用预训练 AMR 解析器将文本转为抽象语义表示图，再翻译为命题逻辑并交由 SAT 求解器自动推理，以识别自然语言论证中的蕴含与矛盾关系。为应对措辞差异导致的逻辑表示不匹配，该方法引入松弛机制，允许替换或遗忘部分命题。实验显示该方法在三个 RTE 数据集上表现良好，且能给出前提、主张及松弛操作的逻辑表示。
正文 · AI 翻译
摘要：论证是一种重要的认知活动，涉及对论点和反论点的审视。给定一个论点时，理想情况是其前提蕴含其主张，且前提与主张一致；给定一对论点时，理想情况是检查一个论点是否支持或攻击另一个论点。如果论点是自然语言，那么我们可以使用自然语言推理方法，也称为识别文本蕴含（RTE）。最先进的 RTE 方法使用机器学习和深度学习，但这些方法不可解释。本文研究的另一种方法是将文本翻译为抽象语义表示（AMR）图。为此我们使用预训练的 AMR 解析器。然后我们将 AMR 图翻译为命题逻辑，并使用 SAT 求解器进行自动推理。在文本中，常识往往表明前提与主张之间存在蕴含（或矛盾）关系，但由于使用了不同的措辞，这无法从它们的逻辑表示中识别出来。为了解决这个问题，我们引入了松弛方法，允许替换或遗忘某些命题。我们的实验结果表明，我们的方法在三个 RTE 数据集上表现良好。我们方法的优势在于，我们对前提和主张以及用于识别蕴含和矛盾关系的松弛都有逻辑表示。
| 主题： | 人工智能（cs.AI）；计算与语言（cs.CL） |
| ACM 分类： | I.2 |
| 引用为： | arXiv:2405.01259 [cs.AI] |
| （或 arXiv:2405.01259v2 [cs.AI] 为此版本） | |
| https://doi.org/10.48550/arXiv.2405.01259 arXiv 颁发的 DOI，通过 DataCite |
提交历史
来自：Xuyao Feng [查看邮箱]
[v1]
2024年5月2日星期四 13:06:24 UTC（102 KB）
[v2]
2026年10月12日星期一 10:31:32 UTC（188 KB）
来源：arXiv cs.AI · arxiv.org