Investigating the role of argumentation in the rhetorical analysis of scientific publications with neural multi-task learning models

Lauscher, Anne ; Glavaš, Goran ; Ponzetto, Simone Paolo ; Eckert, Kai

Vorschau

PDF
emnlp-18-multi (31).pdf - Veröffentlichte Version
Download (336kB)

URL:	https://madoc.bib.uni-mannheim.de/46086
Weitere URL:	https://www.aclweb.org/anthology/papers/D/D18/D18-...
URN:	urn:nbn:de:bsz:180-madoc-460867
Dokumenttyp:	Konferenzveröffentlichung
Erscheinungsjahr:	2018
Buchtitel:	EMNLP 2018 : Proceedings of the 2018 Conference on Empirical Methods in Natural Language Processing, Brussels, Belgium, Oct. 31-Nov. 4
Seitenbereich:	3326-3338
Veranstaltungstitel:	2018 Conference on Empirical Methods in Natural Language Processing
Veranstaltungsort:	Brussels, Belgium
Veranstaltungsdatum:	October 31-November 4, 2018
Herausgeber:	Riloff, Ellen
Ort der Veröffentlichung:	Stroudsburg, PA
Verlag:	Association for Computational Linguistics
ISBN:	978-1-948087-84-1
Verwandte URLs:	https://www.aclweb.org/anthology/volumes...
Sprache der Veröffentlichung:	Englisch
Einrichtung:	Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Text Analytics for Interdisciplinary Research (Juniorprofessur) (Glavaš 2017-2021) Fakultät für Wirtschaftsinformatik und Wirtschaftsmathematik > Information Systems III: Enterprise Data Analysis (Ponzetto 2016-)
Fachgebiet:	004 Informatik
Freie Schlagwörter (Englisch):	argument mining , scientific publication mining , scitorics , multi-task learning , natural language processing , deep learning
Abstract:	Exponential growth in the number of scientific publications yields the need for effective automatic analysis of rhetorical aspects of scientific writing. Acknowledging the argumentative nature of scientific text, in this work we investigate the link between the argumentative structure of scientific publications and rhetorical aspects such as discourse categories or citation contexts. To this end, we (1) augment a corpus of scientific publications annotated with four layers of rhetoric annotations with argumentation annotations and (2) investigate neural multi-task learning architectures combining argument extraction with a set of rhetorical classification tasks. By coupling rhetorical classifiers with the extraction of argumentative components in a joint multi-task learning setting, we obtain significant performance gains for different rhetorical analysis tasks.
Zusätzliche Informationen:	Online-Ressource