Offenes Argument-Mining
Zusammenfassung der Projektergebnisse
In diesem Projekt befassten wir uns mit drei großen Herausforderungen des Open Argument Minings: (C1) Umgang mit Argumenten, die neue Aspekte in die Debatte einbringen, (C2) Umgang mit unvollständigen ausgeführten Argumenten und (C3) Konstruktion eines offenen Wissensgraphen für das Argument-Mining. Für die erste Herausforderung haben wir Experimente mit heterogenen Daten aus verschiedenen Themen und Quellen durchgeführt. Zunächst befassten wir uns mit der Suche nach Argumenten auf zwei themenoffenen Benchmark-Datensätzen mit unterschiedlichen Foundation Models. Wir konnten zeigen, dass moderne Argument-Mining- Ansätze zwar nicht an menschliche Performanz heranreichten, allerdings konnten wir den Abstand deutlich verringern und Generalisierbarkeit auf zuvor unbekannte Themen demonstrieren. Anschließend entwickelten wir Methoden für die Erkennung von im Text geäußerten Haltungen (stance detection), wie Zustimmung oder Ablehnung. Anhand eines Benchmarks haben wir festgestellt, dass Modelle, die auf heterogenen Quellen trainiert wurden, Gefahr laufen, im Laufe der Zeit Verzerrungen aus einzelnen Quellen zu akkumulieren, so dass die Auswertung eines statischen Testdatensatzes alleine nicht ausreicht. Schließlich haben wir ein auf Bert basierendes Modell zur Erkennung von Argumentaspekten eingesetzt. Beim Umgang mit der zweiten Herausforderung stellten wir fest, dass die Verknüpfung von Argumenten eine effiziente Methode war, um mit unvollständigen Argumenten umzugehen. Unter den Ansätzen, die wir für die Wissensinjektion getestet haben, schien unstrukturiertes Wissen am besten geeignet zu sein, insbesondere wenn es für die Erkennung von Argumenten und den dort geäußerten Haltungen verwendet wurde. Wir haben den ASPECT-Korpus erstellt, der Paare von automatisch klassifizierten Satzargumenten für die Argumentverknüpfung enthält. Für die dritte Herausforderung konstruierten wir einen dynamischen offenen Wissensgraphen zur Unterstützung des Argument-Mining-Prozesses und einen Datensatz für die Verknüpfung von Entitäten, der ungesehene Entitäten annotiert. Außerdem haben wir eine neuartige Methode zur Einbettung von temporalen Wissensgraphen vorgeschlagen, um relevantes Wissen in nachgelagerte Argument-Mining-Anwendungen einzubinden. Somit konnten wir viele neue Algorithmen und Datensätze erstellen, und damit das Forschungsgebiet des Open Argument Minings erhellen. Eine wichtige offene Frage, die sich aus unserem Projekt ergibt, betrifft die effektive Erkennung von sich entwickelnden Argumenten in sozialen Medien und die Formulierung geeigneter Wissensgraphenschemata, um diese sich entwickelnden Argumente in den offenen Wissensgraphen zu integrieren.
Projektbezogene Publikationen (Auswahl)
-
Classification and Clustering of Arguments with Contextualized Word Embeddings. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. Association for Computational Linguistics.
Reimers, Nils; Schiller, Benjamin; Beck, Tilman; Daxenberger, Johannes; Stab, Christian & Gurevych, Iryna
-
Common Sense or World Knowledge? Investigating Adapter-Based Knowledge Injection into Pretrained Transformers. Proceedings of Deep Learning Inside Out (DeeLIO): The First Workshop on Knowledge Extraction and Integration for Deep Learning Architectures. Association for Computational Linguistics.
Lauscher, Anne; Majewska, Olga; Ribeiro, Leonardo F. R.; Gurevych, Iryna; Rozanov, Nikolai & Glavaš, Goran
-
AdapterFusion: Non-Destructive Task Composition for Transfer Learning. Proceedings of the 16th Conference of the European Chapter of the Association for Computational Linguistics: Main Volume, 487-503. Association for Computational Linguistics.
Pfeiffer, Jonas; Kamath, Aishwarya; Rücklé, Andreas; Cho, Kyunghyun & Gurevych, Iryna
-
Aspect-Controlled Neural Argument Generation. Proceedings of the 2021 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies, 380-396. Association for Computational Linguistics.
Schiller, Benjamin; Daxenberger, Johannes & Gurevych, Iryna
-
Knowledge Graphs. ACM Computing Surveys, 54(4), 1-37.
Hogan, Aidan; Blomqvist, Eva; Cochez, Michael; D.’amato, Claudia; De Melo, Gerard; Gutierrez, Claudio; Kirrane, Sabrina; Gayo, José Emilio Labra; Navigli, Roberto; Neumaier, Sebastian; Ngomo, Axel-Cyrille Ngonga; Polleres, Axel; Rashid, Sabbir M.; Rula, Anisa; Schmelzeisen, Lukas; Sequeda, Juan; Staab, Steffen & Zimmermann, Antoine
-
Stance Detection Benchmark: How Robust is Your Stance Detection?. KI - Künstliche Intelligenz, 35(3-4), 329-341.
Schiller, Benjamin; Daxenberger, Johannes & Gurevych, Iryna
-
NILK: Entity Linking Dataset Targeting NIL-linking Cases. Proceedings of the 31st ACM International Conference on Information & Knowledge Management, 4069-4073. ACM.
Iurshina, Anastasiia; Pan, Jiaxin; Boutalbi, Rafika & Staab, Steffen
-
The challenges of temporal alignment on Twitter during crises. Findings of the Association for Computational Linguistics: EMNLP 2022, 2658-2672. Association for Computational Linguistics.
Pramanick, Aniket; Beck, Tilman; Stowe, Kevin & Gurevych, Iryna
-
Do Temporal Knowledge Graph Embedding Models Learn or Memorize Shortcuts? In Temporal Graph Learning Workshop@ NeurIPS
an, J., Nayyeri, M., Li, Y. & Staab, S.
-
HGE: Embedding Temporal Knowledge Graphs in a Product Space of Heterogeneous Geometric Subspaces. Proceedings of the AAAI Conference on Artificial Intelligence, 38(8), 8913-8920.
Pan, Jiaxin; Nayyeri, Mojtaba; Li, Yinan & Staab, Steffen
