DMON: A Simple yet Effective Approach for Argument Structure Learning

Argument structure learning（ASL）涉及预测参数之间的关系。由于它可以构建文档以便于理解，因此在许多领域（医疗、商业和科学领域）得到了广泛应用。尽管ASL被广泛利用，但它仍然是一个具有挑战性的任务，因为它涉及检查可能没有结构的话语中句子之间的复杂关系。为了解决这个问题，我们开发了一种简单而有效的方法，称为双塔多尺度卷积神经网络（DMON），用于ASL任务。具体而言，我们将参数组织成关系矩阵，与参数嵌入一起形成关系张量，并设计了一种机制来捕获与上下文参数的关系。在三个不同领域的参数挖掘数据集上的实验结果表明，我们的框架优于最先进的模型。代码可在https://github.com/VRCMF/DMON.git获得。

本文旨在解决Argument Structure Learning（ASL）的问题，即预测不同论点之间的关系。这是否是一个新问题尚不确定。

本文提出了一种名为Dual-tower Multi-scale cOnvolution neural Network（DMON）的简单而有效的方法来解决ASL问题。该方法将论点组织成一个关系矩阵，并与论点嵌入一起形成一个关系张量，并设计了一种机制来捕获与上下文论点的关系。

本文在三个不同领域的Argument Mining数据集上进行了实验，结果表明DMON模型优于现有的模型。此外，本文提供了开源代码 https://github.com/VRCMF/DMON.git 。值得进一步研究的工作包括如何在更大规模的数据集上评估DMON模型的性能以及如何将DMON模型扩展到其他NLP任务中。

在这个领域中的一些相关研究包括：1）“Argument Structure Parsing with Implicit Relation Identification” 2）“A Neural Network Approach to Context-Sensitive Generation of Conversational Responses” 3）“Argumentation Mining: State of the Art and Emerging Trends”