ACLApr, 2017

使用 Supertag 和依存因子模型的 A* CCG 解析

PDF
TL;DR提出了一种新的 A * CCG 解析模型，通过在双向 LSTM 上定义 CCG 类别和语法依存关系的因子，将树的概率分解成因子。我们的模型通过依赖关系显式地建模句子结构，并允许所有概率的预计算，因此运行效率非常高。我们的模型在英语和日语 CCG 解析方面取得了最先进的效果。
发现论文，激发创造
  • 生成 CCG 类别

    通过生成类别而不是分类类别，我们提出了一种新的 CCG supertagger 方法，将每个类别分解为一系列更小的标记，以此更好地处理类别间的关系并增强与句子上下文的交互。该方法能够在标准 CCGBank 上实现最先进的标识 (95.5% 精确度) 和分析 (89.8% 标记 F1)，并在罕见类别、领域外文本和资源匮乏语言方面取得了有希望的结果。

    Mar, 2021

  • 全球神经 CCG 解析与最优性保证

    本文引入了第一个具有解码最优性保证的全局递归神经语法分析模型，通过直接搜索所有可能子树的空间来支持全局特征，并使用新的目标函数对全局模型进行训练，实现样本探索的最小化；应用于 CCG 分析，在保证解析最优的情况下，在目标库中 99.9% 句子中找到最优解析，并平均发现 190 个子树。

    Jul, 2016

  • 自动生成高质量 CCGbanks，用于解析领域自适应

    本文提出了一种基于依存树的语料库自动生成的领域自适应方法，简单易用且性能显著，适用于最先进的解析器，通过对生物医学文本、问题句子、语音对话和数学问题的实验数据验证，性能提高了 6.3% 到 8.3%。

    Jun, 2019

  • 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

  • 利用注意力图卷积网络进行超级标注组合范畴语法

    通过注意力图卷积网络以图形式建模词库中的信息，加强神经组合范畴语法（CCG）超标记，进而提高语法分析的准确性。实验结果表明，该方法在超标记和语法分析方面优于先前所有研究。

    Oct, 2020

  • 基于神经网络的端到端图形式 TAG 解析

    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

  • 使用 CCG 分析和大型语言模型建模大脑中的结构构建

    通过使用组合范畴语法（CCG）作为语法模型，研究人员发现可以更好地理解自然环境中语言理解的行为和神经相关性。使用 fMRI 收集参与者听故事期间的神经信号，研究发现 CCG 在解释神经信号方面的有效性优于上下文无关文法，并可以从可选附加语方面解释。

    Oct, 2022

  • 用树形解码复杂类别为长尾标记化

    研究表明，利用类别的内部结构构建模型有助于预测罕见、复杂的 CCG supertags，而且可以在更少的参数下实现先前的最佳标记者的近似标记准确度，并且还探讨了不同方法对域外评估集的概括能力。

    Dec, 2020

  • 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

  • 预测目标语言 CCG 标记提高神经机器翻译效果

    本文研究如何改进神经机器翻译，通过在 decoder 中插入 CCG supertags 的形式的目标语句法信息，进一步模拟复杂的句法现象，经过实验比较，发现这样的改进可以提高翻译质量，尤其是对于一些句法结构复杂的语言对。

    Feb, 2017