ACLMay, 2017

Arc-swift: 一种依存句法分析的新型过渡系统

PDF
TL;DR本文介绍了一种基于转移的依存句法分析方法 ——arc-swift。该方法可以在单次转换中实现更远的词语之间的直接连接，从而更直接地利用词汇信息进行转换决策，因此在公布的两个数据集上达到了较高的性能表现并减少 3.7-7.6% 的错误率。
发现论文，激发创造
  • 非投影依存句法分析及其非局部转移

    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

  • 基于指针网络的基于转换的语义依存句法分析

    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

  • 全局贪心依存句法分析

    本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

    Nov, 2019

  • 基于堆栈变换器的转移句法分析

    本文探讨了使用序列到序列 Transformer 模型设计全局或局部状态模拟器改善基于转移的语法分析系统表现，并发现 Transformer 的交叉注意力机制的修改对于依存关系和抽象意义表征（AMR）分析任务的效果特别明显，尤其是在较小的模型或有限的训练数据下。

    Oct, 2020

  • 基于最小特征集的转移依存句法分析的快速准确解码和全局训练

    以动态规划为框架，使用最小特征集和基于双向 LSTM 的方法进行转移依存分析，通过集成实现最佳未标注附加度分数。

    Aug, 2017

  • 基于跨度的成分句法分析：结构标签系统和可证明最优动态预测

    通过使用仅包含句子跨度的最小 LSTM 特征表示的新的 shift-reduce 系统以及第一个可以证明最优的动态 Oracle，该算法的时间复杂度是摊销 O（1），相比于标准依赖解析的 O（n ^ 3）Oracle，我们在使用这个 Oracle 进行训练后，在不使用重新排名或外部数据的情况下取得了最好的 F1 分数，而句法解析准确度得到了显著提高。

    Dec, 2016

  • 使用动作 - 指针变换器进行 AMR 解析

    本文提出了一种基于 Transformer 架构的、利用硬注意与目标端点机制相结合的过渡式 AMR 解析器，该解析器通过显式地对齐目标节点与源句子标记而提高了表现。

    Apr, 2021

  • 无限制 AMR 解析的基于转移的算法

    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

  • 基于序列到序列 Transformer 的结构感知微调用于基于转换的 AMR 分析

    探索将预训练的序列到序列语言模型与结构感知的基于转换的方法相集成，在提高 AMR 解析效果的同时保持先前基于转换的方法的优质属性，从而使模型更简单、更可靠。

    Oct, 2021

  • 神经预读特征的移进 - 规约成分句法分析

    本文针对移位 - 归约分析的相对弱点，利用双向 LSTM 模型提取向前追望特征，并将结果传递给强大的过渡性成分分析器，提高了 1.3% 在 WSJ 和 2.3% 在 CTB 中的准确性。

    Dec, 2016