带有 Softmax-Margin Segmental RNNs 和句法支架的框架 - 语义解析

Jun, 2017

带有 Softmax-Margin Segmental RNNs 和句法支架的框架 - 语义解析

Frame-Semantic Parsing with Softmax-Margin Segmental RNNs and a Syntactic Scaffold

Swabha Swayamdipta, Sam Thomson, Chris Dyer, Noah A. Smith

TL;DR本研究提出了一种基于帧语义的解析器，可以标记出 FrameNet 谓词的语义参数，通过一种强调回忆的基于 RNNs 的扩展，该基本系统在无需调用句法解析器的情况下实现了竞争性能；同时，作者还介绍了一种仅在训练时使用来自 Penn Treebank 的短语句法注释的方法，该方法旨在解决传统句法流水线的高成本问题，并实现了最先进的性能。

Abstract

We present a new, efficient frame-semantic parser that labels semantic arguments to framenet predicates. Built using an extension to the segmental RNN that emphasizes recall, our basic system achieves competitive

frame-semantic parser semantic arguments framenet predicates syntactic scaffold state-of-the-art performance

发现论文，激发创造

使用 Transformer 进行开放领域框架语义解析

基于 transformer-based 模型的多任务学习在框架语义解析中取得优越性能，并且在 PropBank SRL 解析上也表现优于现有最佳系统。

Oct, 2020

调试框架语义角色标注

该研究对框架语义结构提取的统计模型进行了定量和定性分析，并提出了改进模型的新方法，包括使用预处理工具箱，探索语法预处理在统计分类器识别参数时的作用，以及利用机器学习算法等方式。

Jan, 2019

非自回归任务导向语义解析的跨度指针网络

本研究提出基于 span pointer networks 的非自回归任务导向的语义解析器，通过将推断任务从文本生成转移到区间预测，从而改善了长度预测和提高了模型的泛化能力。

Apr, 2021

一种简单且准确的语法不可知的神经模型，用于基于依赖的语义角色标注

本篇论文中介绍了一种用于词语语义角色标注的简单而准确的神经模型，该模型通过双向 LSTM 编码器的状态预测谓词论元依赖关系，即使没有任何语法信息，仅使用本地推理即可在英语上取得有竞争力的性能，然而，当自动生成词性标注作为输入时，它的性能明显优于所有先前的本地模型，并接近报告的英语 CoNLL-2009 数据集的最佳结果。我们还考虑了中文、捷克语和西班牙语，其中我们的方法也取得了有竞争力的结果。基于语法的解析器在领域外数据上不可靠，因此当在该设置中进行测试时，标准（即语法相关）的 SRL 模型受到了阻碍。我们的基于语法不可知的模型表现更健壮，这在标准的领域外测试集上得到了最佳的报告结果。

Jan, 2017

神经语义解析的迁移学习

本文提出了一种基于多任务框架和序列到序列模型的语义解析方法，旨在解决语料数据不足限制，较少标注数据任务可以通过从大量标注数据任务中传递学习的方式得到提升，实验结果在自己的数据集中获得了 1.0% 到 4.4% 的准确度提升，在 ATIS 语义解析任务中，准确度提升了 2.5% 到 7.0%。

Jun, 2017

中文语义角色标注的句法感知多任务学习框架

本文介绍了基于统一覆盖模型的跨度和基于单词的语义角色标注，并提出了一种多任务学习框架，其中包括基本 SRL 模块和依赖性解析器模块，通过该框架，我们使用外部句法表示得到了新的最先进的中文 SRL 良好结果。

Nov, 2019

语义依存分析的深度多任务学习

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

基于图形的无递归语义解析

本文提出了一种新的基于图的方法来进行语义解析，解决了文献中观察到的两个问题：(1) seq2seq 模型无法完成组合泛化任务；(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性，用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明，我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果，包括在测试组合泛化的过程中。

Feb, 2023

基于半监督多任务学习的序列标注

本文提出了一种序列标注框架，采用辅助训练目标，并通过学习预测数据集中每个词周围的单词进行语言建模，以此学习通用的语义和语法组合模式，并在不需要额外标注或未标注数据的情况下，实现在多个序列标注任务上取得一致的性能提升。

Apr, 2017

组合式任务导向对话的非自回归语义分析

本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

Apr, 2021