协调边界预测的神经网络
我们提出了一个名为 COordination RECognizer (CoRec) 的流水线模型,用于解决协调识别任务的挑战,该模型包含两个组件:协调识别器和从句边界检测器,并在来自各个领域的数据集上进行实验,证明了该方法的有效性和效率,进一步实验证明 CoRec 对于下游任务有积极影响,提高了最先进的 Open IE 模型的产出。
Nov, 2023
本研究提出了一种新型的神经网络模型,该模型可以同时学习 POS 标记和基于图的依赖解析。该模型使用双向 LSTM 来学习两个任务共享的特征表示,从而解决了特征工程问题。该模型在 19 种语言的通用依赖关系项目上进行了广泛的实验,结果表明我们的模型优于基于神经网络的最新关于 POS 标记和基于转移的依赖解析的程序,从而取得了新的最优性能。
May, 2017
本文介绍了一种过渡式气泡分析器以同时执行协调结构识别和基于依赖的句法分析。基于气泡的结构可以通过编码协调边界和协调结构内部关系来增强依赖树,我们引入了一种过渡系统和神经模型用于解析这些增强型结构。在对英语 Penn Treebank 和英语 GENIA 语料库的实验结果表明,我们的解析器在协调结构预测任务上击败了以前的最先进方法,尤其是在具有复杂协调结构的子句中的表现更佳。
Jul, 2021
本文提出了使用基于转移的神经网络联合进行词性标注和依存分析的方法,实现了标签冲突、移位 / 归约冲突和标记冲突的解决。实验表明,我们的方法在各种自然语言的联合词性标注和依存分析方面明显优于之前的方法。
Apr, 2017
该研究主要探讨了顺序神经网络模型在巴斯克语中的一项任务 —— 协议预测,发现这些模型在协议预测上表现不如预期,并提出巴斯克协议预测任务作为学习自然语言正则性的具有挑战性的基准测试。
Sep, 2018
研究了神经语言模型代表短语级别特征的能力,使用协调名词短语作为研究案例,发现模型使用 NP 成分数量的线性组合来驱动 CoordNP/verb 数量协议。模型在性别协议方面成功较少。使用大型语料库训练的模型表现最佳,并且使用显式句法监督训练的模型没有明显的优势。
Sep, 2019
研究一种使用 BERT 表示组成部分的句子的模型,结合指针网络和 ConceptNet 等知识,实现对文本语义相似性的可解释性分析。实验结果表明,该模型在 chunk alignment 任务上取得了显著的性能提升。
Jul, 2020
本文提出了一种新颖的神经网络体系结构,该体系结构利用了双向 LSTM,CNN 和 CRF 的组合,自动地从单词和字符级别表示中受益。我们的系统是真正的端到端的,不需要特征工程或数据预处理,因此适用于广泛的序列标注任务。我们在两个数据集上对我们的系统进行了评估,即 Penn Treebank WSJ 语料库用于词性标注和 CoNLL 2003 语料库用于命名实体识别。我们在这两个数据集上获得了最先进的性能 - 词性标注的准确率为 97.55%,命名实体识别的 F1 值为 91.21%。
Mar, 2016