我们使用字符级翻译的方法对一大语料库中注释有抽象意义表示的句子进行神经语义解析的评估。通过一些简单的预处理和后处理，我们使用序列到序列模型得到了一个基线准确率为 53.1。研究了五种不同的方法来改善这个基线结果，结合这五种技术的结果使获得了一项 AMR 解析的最新进展状态的成果，F 分数为 71.0。

May, 2017

我们提出了一种基于关注机制的模型，将 AMR 解析视为序列到图的转换，与大多数依赖于预训练对齐程序、外部语义资源或数据增强的 AMR 解析器不同，我们的提议的解析器是免费的，它可以有效地训练用于有限数量的标记 AMR 数据。我们的实验结果优于以前报告的所有 SMATCH 得分，无论是在 AMR 2.0（LDC2017T10 上的 76.3％F1）还是 AMR 1.0（LDC2014T12 上的 70.2％F1）上。

May, 2019

本研究对两种 AMR 解析器进行了分析，将其与 Smatch 和其他 AMR 指标以及人类质量评估进行了比较，发现高 Smatch 分数不一定表示一致的解析质量，并且经常出现结构上小的、但语义上不可接受的错误，从而建议使用宏统计、其他指标和更多的人类分析来评估解析器的质量差异。

Oct, 2022

本文介绍了一种简单的算法，可将超句级的共指标注转化为统一的图表达方式，避免了信息合并的信息损失和不协调的问题。通过改进 Smatch 度量方法，使其可以用于比较文档级别的图形，并用它来重新评估最佳发布的文档级 AMR 解析器，同时提供了一个将 AMR 解析器和共指消解系统相结合的管道方法，这为未来的研究提供了一个强大的基准。

Dec, 2021

通过 Policy Learning 和奖励样本图的 Smatch 得分来丰富 Stack-LSTM 转移式 AMR 解析器的训练，在 AMR-to-text 的对齐和加入注意力机制的基础上补充了预处理的概念识别、命名实体和上下文嵌入，从而实现了与最优 published results 相媲美的高竞争性能。我们进行了深入的研究来研究解析器的每个新组件。

May, 2019

使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

Apr, 2017

本文提出了一种新的端到端模型，将 AMR 分析视为对输入序列和增量构建的图表的双重决策序列，并通过多个注意力，推理和组合过程来回答两个关键问题：输入序列的哪一部分需要抽象，以及在图表的哪个位置构建新的概念，实验结果表明，所提出的模型相较于之前的方法，在解决 AMR 分析的准确性方面取得了很大进步，无需任何大规模预训练语言模型（如 Bert），我们的模型就已经超过之前的最新技术水平。

Apr, 2020

本研究提出了一种结合 Smatch-based 集成技术和集成蒸馏的方法，克服银标注数据减少的问题，并将英语解析器的性能推向了新的水平，并在中文、德语、意大利语和西班牙语的跨语言 AMR 分析方面取得了新的最高水平。该方法对于 QALD-9 和 BioAMR 的领域自适应作用显著，能够产生与人工标注数据相匹敌的收益。

Dec, 2021

本文提出了一种用于 Abstract Meaning Representation（AMR）的快速且准确的语义相似度计算方法 SMARAGD。使用机器翻译框架预测匹配或使用 Siamese CNN 直接预测 SMATCH 分数，同时在数据增强、AMR 图形匿名化方面进行了实验，成功地降低了误差。

Mar, 2022

该研究旨在通过跨语言的 AMR 解析，使用单个模型来捕捉各种语言中句子的核心语义内容，发现用翻译加解析（T+P）的简单方法在几种语言上的表现比最新的全球最佳系统表现更好。

Jun, 2021