ParaSCI: Ein großes wissenschaftliches Paraphrasierungsdataset zur Erzeugung längerer Paraphrasen

Wir schlagen ParaSCI vor, das erste großangelegte Paraphrasierungsdataset im wissenschaftlichen Bereich, das 33.981 Paraphrasierungs-Paare von ACL (ParaSCI-ACL) und 316.063 Paare von arXiv (ParaSCI-arXiv) umfasst. Durch die Untersuchung der Merkmale und gemeinsamen Muster wissenschaftlicher Arbeiten konstruieren wir dieses Dataset durch intra-paper und inter-paper Methoden, wie das Sammeln von Zitaten zu derselben Arbeit oder das Aggregieren von Definitionen durch wissenschaftliche Begriffe. Um die Vorteile von teilweise paraphrasierten Sätzen zu nutzen, setzen wir PDBERT als allgemeine Methode zur Entdeckung von Paraphrasen ein. Die wesentlichen Vorteile der Paraphrasen in ParaSCI liegen in der auffälligen Länge und der textlichen Vielfalt, die komplementär zu bestehenden Paraphrasierungsdatasets ist. ParaSCI erzielt zufriedenstellende Ergebnisse bei der menschlichen Bewertung und bei nachgelagerten Aufgaben, insbesondere bei der Erzeugung langer Paraphrasen.