Apr, 2014

Stanford 依存句法分析方法的实证比较

PDF
TL;DR本文重新审视了 Cer 等人（2010）提出的一个问题：在获得 Stanford 依赖性方面，准确性与速度之间的权衡是什么？我们还探讨了输入表示对这种权衡的影响：词性标记、替代依赖性表示作为输入以及单词的分布表示。我们发现，直接依赖解析是一种比过去更可行的解决方案。
发现论文，激发创造
  • 从零开始的通用依存句法分析

    该论文介绍了 Stanford 的 CoNLL 2018 UD 共享任务中的系统，这是一个完整的神经管道系统，可以将原始文本作为输入，并执行共享任务所需的所有任务，从分词和句子分割到词性标注和依赖关系解析，并通过广泛的消融研究展示了不同的模型组件的有效性。

    Jan, 2019

  • 更简单但更准确的语义依赖分析

    本研究使用 LSTM 神经网络对句法解析器进行扩展，使其能够训练并生成图形结构的语义依存关系，并获得了最新的高性能表现。

    Jul, 2018

  • 基于二元词法依赖的新统计分析器

    该研究描述了一种基于头词间依赖概率的新型统计解析器，将标准的二元概率估计技术扩展到计算词对间的依赖概率，测试表明该方法至少与 SPATTER（Magerman 95，Jelinek et al 94）相当，模型的简单性意味着其在不到 15 分钟的时间内可以从 40,000 个句子中训练完成；使用 beam search 策略可以提高解析速度到超过 200 个句子 / 分钟，而准确性损失很小。

    May, 1996

  • 基于依赖的混合树用于语义解析

    本研究提出了一种新的基于依存的混合树模型，将自然语言转换成机器可解释的含义表示，并通过在标准多语言 GeoQuery 数据集上进行的大量实验证明，我们的方法能够在多种语言上实现最先进的性能。

    Sep, 2018

  • 三个新的依存句法概率模型：探索

    本文提出一种新的 O (n^3) 依赖语法分析算法，并开发了三种不同的随机化方式。我们提出了词汇亲和模型、意义标注模型和生成模型。通过在训练文本上评估三种模型的分析性能并给出了初步的实证结果，其中生成模型在分析性能上表现显著优于其他模型，并且在词性标注方面表现同样出色。

    Jun, 1997

  • 句法依赖注释差异的自动更正

    本文提出了一种用于自动检测依赖解析语料库中注释不匹配的方法，以及三种自动转换注释不匹配的方法，并通过重新训练两种依赖解析器的实验证明应用这些方法可以明显地提高性能。

    Jan, 2022

  • 从斯坦福和宾州树库到英语通用依存关系的多层注释转换

    本文介绍和评估了不同的方法将 Stanford Typed Dependencies (SD) 和 Penn-style 组分树的黄金标准语料库数据转化为最新的英语通用依赖关系 (UD2.2)。结果表明，多种语体下，纯 SD 到 UD 的转换具有高精度，只有 1.5% 的错误率，但如果访问纯语法树之外的注释，如实体类型和指代消解这样的注释，可以进一步提高精度，错误率可以降至不到 0.5%。我们表明，基于成分的转换使用 CoreNLP (自动命名实体识别) 在所有语体中表现不佳，包括在使用黄金成分树时，主要是由于短语语法功能的不充分规范化。

    Sep, 2019

  • 基于数据的儿童 - 家长互动解析评估

    本研究提出了一个语法依存树库，用于儿童自然语言的注释和研究，分析了写作和口语之间的语言特征并探讨了儿童语言发展与句法分析器性能的关系。

    Sep, 2022

  • 具有类型保证的快速语义解析

    本论文研究 AM 依赖解析的新方法，包括 A * 和基于转移的解析器，可以提高解析速度并维持或提高准确性。

    Sep, 2020

  • 一次性读取、标记和解析，或完全神经依存句法分析

    用单个深度神经网络实现的依赖关系解析器，无需词性标注即可直接生成依存关系及其标签，经过多任务学习和适当的正则化和额外监督训练，在没有语言特征的情况下，在斯拉夫语 UD 树库中表现为最高准确性。

    Sep, 2016