使用双仿射模型进行神经话语依存分析,与基线分析器相比实现了显著的性能提升。使用 Chu-Liu-Edmonds 算法生成的树更深,性能更好。虽然该语料库允许非项目结构,但分析了非项目性的复杂度并发现其依赖结构不超过一个间隔度和一个边缘度。
Jan, 2022
本文提出一个神经网络模型,用于联合抽取命名实体和它们之间的关系,无需手动设计特征。该模型采用深度双仿射关注层扩展了 BiLSTM-CRF 实体识别模型,以建模关系分类中潜在特征的二阶交互。在 benchmark 数据集 CoNLL04 上进行实验,结果显示该模型的表现优于之前的模型,创造了新的最好表现。
Dec, 2018
本文提出了一种新的神经网络模型,用于联合部分词性标注和依赖解析,将 BiLSTM 标记组件结合到 BIST 依赖解析器中,可对英语 Penn 语料库进行联合学习,模型在 LUS 和 UAS 评分上分别达到 94.51% 和 92.87%,并在多个评测数据集上都取得了最佳表现。
Jul, 2018
使用简单的辅助任务来增加语义依存分析(SDP)性能,对英语无环数据集和法语深层语法循环图进行实验,显示了在基于 Transformer 的上下文表示的接近最新技术基线上的有限但系统性能改善,从而提供了一种简单而稳健的提高 SDP 性能的方法。
Feb, 2024
本研究提出了一种使用双仿射算法将双仿射神经评分传播到图模型中的高阶依存分析方法来提高一阶依存分析器的精度。
Jun, 2023
我们提出了一种基于深度双向注意力的新型时间信息提取模型,直接执行关系提取任务,利用多层感知机进行弧预测和关系标签预测,充分利用时间关系的双向特性,实现了最新技术水平的时间关系提取性能。
本文在深度学习时代,首次提出将二阶 TreeCRF 扩展到 biaffine 句法分析器,通过 27 个数据集的实验和分析,显示出在部分有标记训练数据的情况下,表现结构学习(全局 TreeCRF 损失)和高阶建模依然有用,可以进一步提高句法分析性能。
May, 2020
本文介绍了基于图形的 Tree Adjoining Grammar (TAG) 解析器,并使用 BiLSTMs、Highway 连接和字符级 CNNs 来实现,该解析器在全局推理和特征表示方面具有先进性,在短语结构随从词性标注和解析方面性能显著优于以往的结果,并且在解析评估和无界依赖恢复方面实现了最先进的性能。
Apr, 2018
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
我们开发了一种新颖的双向注意力模型,用于依存句法分析,其学习从正向和反向分析方向中的头部单词预测达成一致的方法。通过连续查询存储连续头部单词嵌入的存储器组件,为每个方向的分析过程制定解析程序。我们针对来自 CoNLL 2006 共享任务的英文、中文和其他 12 种语言进行了实验,并表明所提出的模型在 6 种语言的无标记附着得分上达到了最先进的水平。
Aug, 2016