EMNLPSep, 2016

将 AMR 转换为文本生成问题，作为旅行商问题

PDF
TL;DR这份研究报告介绍了一种使用 AMR-to-text 文本生成方法，将 AMR 图划分为若干个片段，在解决不对称广义旅行商问题的同时，训练最大熵分类器估计其中的旅行成本，并使用 TSP solver 找到优化解决方案。最终，在 SemEval-2016 Task8 数据集上获得了 22.44 的 BLEU 分数。
amr-to-text generationfragment partitioningasymmetric generalized traveling salesman problemmaximum entropy classifierbleu score
发现论文，激发创造
  • GPT-too：一种以语言模型为首选的 AMR-to-text 生成方法

    本文提出了一种基于预处理的强化语言模型和基于回环一致性的重新评分相结合的方法，有效地生成表征意义的 AMRs 数据的文本，并在英语 LDC2017T10 数据集上的表现优于以往的所有技术，包括 transformer 架构。

    May, 2020

  • 基于同步节点替换语法的 AMR 转文本生成

    本文通过利用同步节点替换语法来解决 AMR-to-text 生成任务，采用启发式提取算法来学习图形到字符串规则，在测试时，应用图形传导器来折叠输入 AMR 并生成输出句子。在 SemEval-2016 任务 8 上评估，我们的方法得到了 25.62 的 BLEU 分数，是目前报告的最佳结果。

    Feb, 2017

  • 面向 AMR 转文本生成的图到序列模型

    该论文介绍了一种神经网络模型，使用新颖 LSTM 结构直接编码图级别的语义信息，用于 AMR-to-text 生成任务，并在标准数据集上实现了优于现有方法的结果。

    May, 2018

  • AMR-to-Text 生成的在线反向解析

    本文提出一种新的 AMR-to-text 生成方法，通过在文本生成期间反向预测目标句子上的 AMR 图进行解码，相比于基于标准语言模型的解码器能更好地保留输入含义，并在两个 AMR 基准测试上显示了优越性。

    Oct, 2020

  • 神经 AMR: 序列到序列模型用于解析和生成

    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

  • 神经网络用于 AMR 到文本的调查

    本文概述了 AMR-to-Text 的研究现状和方法，并细分为基于规则，Seq-to-Seq，Graph-to-Seq，Transformer 和 PLM 等五类方法。着重介绍了基于神经网络的方法和 AMR-to-Text 的最新进展，包括 AMR 重构和 Decoder 优化等。此外，本文还介绍了 AMR-to-Text 的基准测试和评价方法，并提供了当前技术和未来研究的展望。

    Jun, 2022

  • 多语言 AMR-to - 文本生成

    本论文关注结构化数据的文本生成问题，并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估，我们发现我们的多语言模型能够准确捕捉形态和语序，并被母语人士视为流畅。

    Nov, 2020

  • AMR 解析和生成的图形预训练

    本文研究了利用图形自监督训练来提高 PLMs 模型在 AMR 图结构上的结构意识； 它同时介绍了两种图形自编码策略，四个任务以及一个统一的框架来缩小预训练和微调任务之间的差距。实验结果表明了这种方法在 AMR 分析和 AMR-to-text 生成方面的优越性。

    Mar, 2022

  • 用双图表示增强 AMR 到文本生成

    提出了一种新的基于图的序列模型，能够有效地对 AMR 图进行编码，借助不同的顶部和底部节点表示以及节点传递策略，实现了更好的文本生成表现，并在两个 AMR 数据集上达到了最先进的结果。

    Sep, 2019

  • 将 AMR 句法分析作为序列到图的转换

    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