使用无向最小生成树推断进行边缘线性一阶依存句法分析
本文提出了一种新的中间表示法,基于这种表示法,我们将短语表示分析转化为依存分析,并通过在依存标签中编码顺序信息,表明任何可训练的依存分析器都可以用来生成 constituents。尽管我们的方法很简单,但实验证明,结果与强基准线(例如伯克利解析器和 SPMRL 2014 共享任务中最好的单一系统)不相上下,特别是在德语断点解析方面,我们超过了当前的技术水平。
Feb, 2015
介绍了两个第一阶段基于图的依存解析器,第一个是通过集成学习同质模型的共识解析器,利用最小贝叶斯风险解码法和 Hamming 代价,结合集成中的不确定性评估进行训练,第二个则是将集成模型压缩成单一模型的 'distillation' 解析器,利用新颖的结构化铰链损失函数避免了普通 'distillation' 目标的不可解交叉熵,首次在英语、汉语和德语上达到或超过了现有最先进水平。
Sep, 2016
本篇文章研究依赖图的句法结构,针对平面的排列方法和投射的排列方法,分别提出了预期边长总和的计算方法,并用一个包含词语的句子来给出了平面排列的数量或生成平面随机排列的有效算法。
Jul, 2022
我们提出了一种新的基于 headed spans 的投影依存解析方法。我们将从每个单词开始的最大子树表示为一组 headed spans,将一个依存树的得分分解为所有 headed spans 的得分, 并设计了一个新颖的 O (n3) 动态编程算法实现全局训练和准确推理。我们的方法在 PTB,CTB 和 UD 上实现了最先进或有竞争力的结果。
Aug, 2021
本文实现了第二阶段语义依赖解析器,使用平均场变分推理或循环置信传播算法来近似第二阶段解析,然后将两种算法展开成神经网络的递归层以进行端到端的训练,实验结果表明我们的方法实现了最新的最佳性能。
Jun, 2019
本文提出一种基于部分排序的线性时间和空间复杂度算法来解决结构化预测问题,其中通过计算输入字符串中每个令牌的实数并相应地进行排序,得到了尽可能少的 2 个令牌总订单,这些总订单的交集形成了令牌的部分排序,并被解码成代表所需结构的有向图。在英语依存句法分析基准测试上,我们的方法通过使用 2 个总订单和 4 个总订单分别获得 95.4 LAS 和 96.9 UAS 以及 95.7 LAS 和 97.1 UAS 的结果;此外,该方法还是第一个实现了线性复杂度共指消解模型 —— 在英语 OntoNotes 基准测试上获得了 79.2 F1 分数,与现有技术相当。
May, 2023
本文介绍了一种基于 label 和 span 独立评分的最小神经模型,并证明了该模型不仅与经典的动态规划技术兼容,而且还支持一种基于递归分割的新颖贪心自顶向下推理算法。经实验证明,两种预测方案竞争力强,并且与得分模型的基本扩展相结合,能够实现 Penn Treebank 的单模型最优性能(91.79 F1),并在法语 Treebank 上获得强大的性能(82.23 F1)。
May, 2017