基于转移的有向无环图解析器用于 UCCA
本文介绍了一种简单的 UCCA 语义图解析方法,将 UCCA 语义图转换为组成树,使用设计的额外标签作为未来恢复远程边缘和不连续节点的标记,并使用现有的句法分析技术。此系统在七个参与系统中的六个英语 / 德语闭合 / 开放跟踪中排名第一,在第七个跨语言跟踪中,它通过使用英语和德语培训数据的语言嵌入方法,将我们的结果排名第二。
Mar, 2019
本文宣布发起一项横跨英语、德语和法语的 UCCA 解析共享任务,目的是为构建一种跨语言框架的语义表示,并通过挑战已有的解析技术推动该领域的发展,进而使基于 UCCA 的自然语言处理应用受益。
May, 2018
通过两种方法比较语言表征框架之间的映射,采用 STREUSLE corpus(具有句法和词汇语义注释)转换为 UCCA 的规则转换器和使用来自其他语言表征框架的信息作为特征的监督去 lexicalized 解析器,评估它们之间的映射关系。尽管两种方法在 UCCA 中产生了极高的准确性,但我们仍然发现了一些重要的分歧区域。
Nov, 2020
本研究提出了一种贪心的从左到右的非投射转移句法分析器,旨在处理 AMR 图中的循环和重新进入,能够原生地处理重新进入和任意循环,模型在 LDC2015E86 语料库上获得 64%的 Smatch 的结果,并在重新进入的边缘上表现良好。
May, 2018
本研究比较基于词汇化和非词汇化的句法分析模型的性能表现,提出了一种基于结构 - 标签转换系统和双向 LSTM 评分系统的非词汇化转换型分析器,结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现,尤其是在英语和德语的领域中。
Feb, 2019
通过使用 pointer networks 实现的转移句法分析器在依赖句法分析方面已经成为最新的技术水平,我们提出了一种基于指针网络的转移系统,可以直接生成标记有方向无环图并实现语义依赖分析。同时,我们使用从 BERT 提取的深层上下文化的词嵌入来增强我们的方法。这一结果不仅超越了所有现有的基于转移的模型,而且还匹配了 SemEval 2015 任务 18 英语数据集上先前最先进的基于图形的解析器的最佳完全监督准确率。
May, 2020
本文针对语义解析的性能进行改进,使用多任务学习方法,将 UCCA 解析作为测试案例,辅助任务包括 AMR 解析、SDP 解析和 Universal Dependencies 解析。实验表明,多任务学习显著提高了 UCCA 解析的性能。
May, 2018
本研究提出了一种新颖的转换系统,基于 Covington 非投影解析器,引入了非局部转换,可直接创建涉及当前焦点位置左侧节点的弧,从而避免了创建远距离弧的长序列 No-Arc 转换,从而减轻了错误传播。结果解析器的性能优于原始版本,并在贪心转换算法中在 Stanford Dependencies 转换 Penn Treebank 方面实现了最佳准确性。
Oct, 2017
这是 Universal Conceptual Cognitive Annotation(UCCA)注释手册,特别是基础层的注释说明。UCCA 是一种基于语言类型学原理的基于图形的语义注释方案,其已经应用于多种语言,主要在英语中给出示例。本教程的进一步资源可以在项目主页上找到。
Dec, 2020