Can Large Language Models perform Relation-based Argument Mining?

828 篇文章

已下架不支持订阅

本文探讨了大型语言模型(LLM)如何应用于关系型论证挖掘(RbAM),展示经过预处理和提示,LLM在识别文本中论点的支持和攻击关系上优于现有基于RoBERTa的基线。实验在10个数据集和多个LLM上进行,发现Llama 70B-4bit和Mistral 8x7B-4 bit表现最佳,但推理时间和GPU需求较大。未来工作将关注提高攻击关系预测、增强模型性能及扩展到三元RbAM任务。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本文是LLM系列文章,针对《Can Large Language Models perform Relation-based Argument Mining?》的翻译。

大型语言模型可以执行基于关系的参数挖掘吗?

摘要

自变量挖掘(AM)是从文本中自动提取自变量及其组成部分和/或自变量与组成部分之间的关系的过程。随着支持在线辩论的平台数量的增加,对AM的需求变得越来越迫切,尤其是在支持下游任务方面。基于关系的AM(RbAM)是一种AM形式,专注于识别论点之间的一致(支持)和不一致(攻击)关系。RbAM是一项具有挑战性的分类任务,现有的方法无法令人满意地执行。在本文中,我们展示了通用大型语言模型(LLM),经过适当的预处理和提示,可以显著优于性能最佳(基于RoBERTabbased)的基线。具体来说,我们用10个数据集对两个开源LLM(Llama-2和Mistral)进行了实验。

1 引言

2 相关工作

3 RbAM的LLM

4 实验设置

5 结果

6 结论和未来

已下架不支持订阅

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

UnknownBody

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值