Спикер о вебинаре:
Разрешение кореферентности является важной задачей в области обработки естественного языка, поскольку она используется как элемент решения таких задач, как поиск информации, суммаризация текста, ответы на вопросы по тексту, анализ тональности текста и машинный перевод.
Мы обсудим эффективность различных подходов к разрешению кореферентности на русском языке, а также поговорим об участии и победе в Dialogue Evaluation 2023 RuCoCo, где нами были исследованы способы увеличения размера набора данных с помощью псевдоразметки и перевода данных с другого языка. Используя такой подход, нам удалось утроить размер набора данных, сделать его более разнообразным и улучшить результаты авторегрессионного структурированного предсказания в задаче разрешения кореферентности.
Дополнительные материалы:
[1] Lee K., He L., Zettlemoyer L. Higher-order coreference resolution with coarse-to-fine inference //arXiv preprint arXiv:1804.05392. – 2018.
[2] Kirstain Y., Ram O., Levy O. Coreference resolution without span representations //arXiv preprint arXiv:2101.00434. – 2021.
[3] Dobrovolskii V. Word-level coreference resolution //arXiv preprint arXiv:2109.04127. – 2021.
[4] Bohnet B., Alberti C., Collins M. Coreference Resolution through a seq2seq Transition-Based System //Transactions of the Association for Computational Linguistics. – 2023. – Т. 11. – С. 212-226.
[5] Liu T. et al. Autoregressive Structured Prediction with Language Models //arXiv preprint arXiv:2210.14698. – 2022.
Презентация: https://drive.google.com/file/d/1butJXpJcXLZdLUNs5yZE_Q1MDw3ZnWjA/view?usp=sharing
Видеозапись: https://youtu.be/Mm-514mZ9aE