使用 POS 标签作为学习表示的正则化器,提出了一种称为 “stack-propagation” 的学习模型,该模型可以应用于依赖分析和标注,其测试结果比最先进的基于图形的方法更加准确。
Mar, 2016
本研究評估符號語義表示是否可以用來幫助程序文本中涉及的實體狀態推理,提出了基於符號解析的程序推理框架 PROPOLIS,並將語義解析信息集成到最先進的神經模型中進行程序推理,在實驗中發現明確地合併此類語義知識可以提高程序理解,並提供了用於評估程序推理任務的新指標,明確了神經模型、符號模型和集成模型之間的差異。
Feb, 2023
在语义上意识到文本中的句子结构和上下文联系,通过将复杂句子进行拆分和重新表述,生成有语义层次的简化句子,以提高自然语言处理应用的预测质量。
Aug, 2023
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
本研究提出了一种新的基于神经网络的两种表征形式(span 和 dependency)的句法和语义联合模型,该模型有效地整合了句法信息,最大化优化联合目标,试验结果表明语义和句法可以相互促进,以全新的表现水平取得了 Propbank 基准测试集上的最好成绩。
Aug, 2019
通过使用基于图的方法,利用句法结构中的成分结构,包括语法树的长距离依赖和结构信息,实现了较强的代词消解技术。实验结果显示,在 OntoNotes 5.0 基准测试的英语和中文部分中,提出的模型要么超过了强基线要么实现了新的最高水平。
Feb, 2022
引入了一个可以区分树结构的图多项式来表达依存语法,并基于多项式表示引入了一种量化句子语法相似度的方法。通过将这个基于多项式的方法运用到分析并比较不同语言中的句子与其翻译之间的句法以及在已有语料库中进行语法学的类型学研究,最后探讨并展示了这种方法在衡量语料库的句法多样性方面的潜力。
Nov, 2022
本文介绍了一种新的方法 SSUD,通过利用语法关系的一个属性 —— 语法替换性,不需要监督下拉金标准解析,就能诱导出语法结构,从而帮助理解大型预训练语言模型(LLMs)的句法能力,提高依赖分析任务的定量和定性效果。
本文针对英文和中文的语义角色标注进行了实证分析,并通过联合标签的转换方案,将 SRL 注释打包至依存树表示中,并证明该表示法有望进一步将句法方法结合到语义角色标注中。
Oct, 2020
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