Till sidans topp

Sidansvarig: Webbredaktion
Sidan uppdaterades: 2012-09-11 15:12

Tipsa en vän
Utskriftsversion

Improving the precision o… - Göteborgs universitet Till startsida
Webbkarta
Till innehåll Läs mer om hur kakor används på gu.se

Improving the precision of natural textual entailment problem datasets

Paper i proceeding
Författare Jean-Philippe Bernardy
Stergios Chatzikyriakidis
Publicerad i Language Resources and Evaluation Conference
Publiceringsår 2020
Publicerad vid Institutionen för filosofi, lingvistik och vetenskapsteori
Språk en
Ämnesord Natural Language Inference, Textual Entailment, RTE, SNLI, SICK
Ämneskategorier Lingvistik, Datorlingvistik

Sammanfattning

In this paper, we propose a method to modify natural textual entailment problem datasets so that they better reflect a more precise notion of entailment. We apply this method to a subset of the Recognizing Textual Entailment datasets. We thus obtain a new corpus of entailment problems, which has the following three characteristics: 1. it is precise (does not leave out implicit hypotheses) 2. it is based on ``real-world'' texts (i.e. most of the premises were written for purposes other than testing textual entailment). 3. its size is 150. % Broadly, the method that we employ is to make any missing hypotheses explicit using a crowd of experts. We discuss the relevance of our method in improving existing NLI datasets to be more fit for precise reasoning and we argue that this corpus can be the basis a first step towards wide-coverage testing of precise natural-language inference systems.

Sidansvarig: Webbredaktion|Sidan uppdaterades: 2012-09-11
Dela:

På Göteborgs universitet använder vi kakor (cookies) för att webbplatsen ska fungera på ett bra sätt för dig. Genom att surfa vidare godkänner du att vi använder kakor.  Vad är kakor?