Jun, 2016

带有 Stack LSTMs 的贪婪式联合句法语义分析

PDF
TL;DR本文介绍了一种基于转换的解析器，可以同时生成句法和语义依存关系，使用长短期记忆技术来学习算法状态的表示，并具有线性时间复杂度和特征提取，是目前在同时学习语法和语义的解析模型中性能最优的一种。
发现论文，激发创造
  • 具有堆栈长短期记忆的基于转移的依赖句法分析

    该文提出了一种新的序列到序列神经网络控制结构 —— 堆栈 LSTM，用于学习过渡式依赖解析器的解析状态，将其应用于解析模型中，实现了解析器状态的三个方面，提高了解析性能。

    May, 2015

  • 基于联合 RNN 的贪心分析与词汇组合

    本文介绍了一种基于神经网络的贪心解析器，利用一种新的组合子树表示方法。该解析器和组合过程共同训练，且相互之间密切相关。使用连续（单词或标签）表示和循环神经网络进行组合和标记。我们在具有速度优势的同时获得了与众所周知的现有解析器相当的 F1 性能。

    Dec, 2014

  • 使用分层树 LSTM 进行简单优先级依赖解析

    本文提出了一种基于递归组合的循环神经网络编码器的分析树组合向量表示方法，将其作为贪心自底向上的依赖关系分析器的骨干，无需外部词嵌入，实现了英语和中文的最新精度。

    Mar, 2016

  • 使用双向 LSTM 进行最小特征的增量分析

    本研究利用双向 LSTM 句子表示模型以及新颖的转移系统，成功实现了依存句法和短语句法的有监督学习，达到了最先进的效果。

    Jun, 2016

  • 全局贪心依存句法分析

    本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

    Nov, 2019

  • 使用双向 LSTM 特征表示进行简单准确的依存句法分析

    使用双向 LSTM 神经网络构建特征向量，在依存句法分析中实现最新的结果。

    Mar, 2016

  • 利用 LSTM 对字符而非单词建模以提升转移式句法分析

    本文介绍了一种针对形态丰富的语言的连续状态依赖解析扩展方法，使用 LSTM 循环神经网络来学习表示解析器状态，将基于查找的词表示替换为由单词的正字表示构成的表示，使用字符编码来提高解析模型的表现。

    Aug, 2015

  • 语义依存分析的深度多任务学习

    本文介绍了一种基于深度学习的语义依存图形式分析系统，该系统采用效率高且几乎拓扑结构简单的推理方法，通过组合双向 - LSTM 和多层感知机，能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究，并获得了新的技术成果。

    Apr, 2017

  • 不交叉的语法和语义的合作学习

    本研究提出了一种递归模型，能够在不需要任何语言结构监督的情况下，通过两个单独的语法和语义模块进行协同训练，达到几乎完美的数学表达式分析精度，并可在不同领域进行泛化，并在自然语言推理和情感分析等多个自然语言任务中表现出竞争性。

    Feb, 2019

  • 探索训练优化贪心堆叠 LSTM 分析器

    使用动态 oracle（Goldberg 和 Nivre，2013）支持训练探索过程的贪婪 Stack-LSTM 依赖解析器，通过考虑训练时的模型预测而非假设无错误的动作历史，改善了英语和中文的解析准确性，在两种语言中获得了非常强的结果。我们讨论了一些修改，以便让训练探索良好工作的概率神经网络。

    Mar, 2016