Impulso del juego de PNL
Los conjuntos de datos de evaluación existentes tienen las desventajas de un volumen de datos pequeño, un solo campo y pocas respuestas de referencia. En respuesta a los problemas anteriores, la Universidad de Soochow y la Academia Alibaba Damo lanzaron conjuntamente el conjunto de datos de evaluación de corrección de errores gramaticales chinos de múltiples fuentes y referencias múltiples MUC GEC (Conjunto de datos de evaluación de corrección de errores gramaticales chinos de múltiples referencias), y realizaron una evaluación basada en Conferencia CCL2022.
Enlace de competencia:/competitions/567
La extracción de eventos de texto tiene como objetivo estructurar la información de eventos en texto no estructurado y es un campo de investigación importante en el procesamiento del lenguaje natural. Como una de las subtareas de la extracción de eventos, la detección de eventos tiene como objetivo identificar los desencadenantes de eventos a partir de un texto determinado y clasificarlos en el tipo de evento correcto. Las palabras desencadenantes se refieren a palabras o frases centrales que marcan la ocurrencia de eventos, y los tipos de eventos están predefinidos en el conjunto de datos.
En los últimos años, aunque los modelos basados en redes neuronales profundas han logrado buenos resultados en la detección de eventos, también se ven limitados por los requisitos de alta calidad de los métodos de aprendizaje profundo para entrenar conjuntos de datos. Cuando el conjunto de datos tiene problemas como una distribución desigual de la muestra, una mala calidad de las anotaciones de los datos y resistencia a la contaminación de los datos, la eficacia del modelo suele ser difícil de garantizar y carece de solidez.
Para resolver los problemas anteriores, esta competencia lanzará un desafío de detección de eventos de dominio altamente sólido basado en las noticias chinas de detección de eventos de dominio (FNED), con el objetivo de promover la investigación de la solidez de los modelos de detección de eventos de dominio. apoyar la implementación de tecnologías relacionadas con la extracción de eventos y promover el desarrollo de aplicaciones de inteligencia artificial en campos relacionados.
La tarea de esta competencia es implementar la detección de eventos de dominio de Gulu basada en el conjunto de datos de texto de noticias FNED y desarrollar algoritmos de detección de eventos a través del aprendizaje automático, el aprendizaje profundo y otros modelos, para que el modelo pueda manejar Distribución desigual de muestras y anotación de datos. Buen rendimiento a pesar de la mala calidad y la contaminación de los datos.
Entrada: frase con información del evento.
Salida: oraciones para desencadenantes de eventos y tipos de eventos.
Ejemplo:
Inversión
"Además de los drones, la exhibición explosiva de vehículos de combate no tripulados es también uno de los aspectos más destacados del Salón Aeronáutico de Zhuhai de este año. En el Salón Aeronáutico de Zhuhai de este año, los principales grupos industriales militares lanzaron una variedad de vehículos de combate no tripulados de clase mundial, lo cual es vertiginoso. ¿Hay ametralladoras en las torretas de los vehículos de combate no tripulados exhibidos en el Salón Aeronáutico de Zhuhai? ¿Misiles y lanzagranadas de humo? "
Salida
"Event Mention":{
" event_type": "Exhibit",
"Disparador": {
"Texto":"Pantalla",
"Desplazamiento":[12, 13]
}
}
/Competition/561
Evaluar la validez de los elementos de la redacción de ensayos argumentativos entre estudiantes de los grados 6-12.
/Competencia/Efecto-Retroalimentación-Recompensa/Datos
La argumentación es una habilidad importante de la inteligencia humana y juega un papel indispensable en muchas actividades humanas. La tecnología de debate computacional se centra en la comprensión e imitación por parte de la máquina del proceso de debate humano y se usa ampliamente como ayuda para la toma de decisiones, soporte de escritura y comentarios lógicos. En los últimos años, se ha convertido gradualmente en una nueva rama importante de la investigación en inteligencia artificial. Esta revisión se centra en la tarea de minería de debates en la competencia de debate chino-inglés. Se anima a los participantes a utilizar tecnologías relacionadas con el debate computacional para identificar o generar puntos de debate y otros componentes en el discurso. investigación e intentos de proporcionar académicos e industriales Proporciona una buena plataforma de comunicación para investigadores en el campo y profesionales de industrias relacionadas. En esta conferencia realizaremos el segundo proyecto de evaluación del debate intelectual.
Dado un argumento y una oración candidata, el modelo competitivo debe determinar si la oración actual es un argumento que respalda el argumento actual. También proporcionaremos el debate como referencia secundaria. La salida tiene dos etiquetas: 1 para parámetros y 0 para no parámetros.
Proporciona un par de argumentos interactivos de enlace único positivo y negativo. Para el argumento de una de las partes, elija uno de los cinco argumentos candidatos que interactúe directamente con el punto de conclusión dado. El conjunto candidato consta de 1 variable independiente interactiva etiquetada manualmente y 4 variables independientes no relacionadas tomadas de la misma variable independiente.
Entre ellos, un argumento puede contener 1 o más oraciones.
–Métricas de evaluación: Precisión promedio (a) y clasificación recíproca promedio (m) de las predicciones más altas.
Según el tema de debate establecido, el modelo participante genera automáticamente cinco argumentos que coinciden con el tema de debate.
–Índice de valoración: confuso, azul, colorete.
–Índice de evaluación: Categoría de argumento F1.
/tarea compartida/aide bater 22/index html
.