通过语法分解 AMR 生成
本研究提出了一种基于 AMR 的修改短语生成模型 (AMRPG),该模型通过对抽象含义表示进行编码,从而在语法控制和短语生成质量方面显着提高了非监督学习方法的性能,并可用于数据增强以改善 NLP 模型的鲁棒性。
Nov, 2022
本文提出了一种新方法,通过文本段的转换来生成 AMR 子图,从而提高 AMR 的 parsing 效果,进而提高自然语言处理和机器翻译等领域的性能表现。
Jun, 2015
使用数百万个未标记的句子和对 AMR 图的精心预处理,我们提出了一种新颖的训练过程,成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果,并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。
Apr, 2017
我们提出了一种语义解析器,可以将字符串解析为 AMR 图的组成结构的树形表示,利用语言学原则约束标准神经技术进行超标记和依存树解析。我们提出了两种近似解码算法,实现了最先进的准确度并优于强基线。
May, 2018
本论文关注结构化数据的文本生成问题,并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估,我们发现我们的多语言模型能够准确捕捉形态和语序,并被母语人士视为流畅。
Nov, 2020
本文研究将多篇文档进行内容归纳的可行性,并提出了使用 Abstract Meaning Representation(AMR)作为形式化内容表示的方法,通过将源文档压缩为 AMR 标准的摘要图,再将摘要图转换为一组摘要句子的表层实现步骤。实验结果表明,该方法具有良好的潜力,并描述了进一步研究的机会和挑战。
Jun, 2018
本文探讨了训练模型可用于提高 AMR 解析性能的不同方式,包括生成合成文本和 AMR 注释以及动作预测的改进。我们证明了这些技术在没有额外的人工注释的情况下提高了一个已经高性能的解析器,并在 AMR 1.0 和 AMR 2.0 上取得了最先进的结果。
Oct, 2020
介绍了一种基于转移的 AMR 解析器,可以按左到右的线性时间解析 AMR 语义表示的句子。还提出了一个测试套件来评估特定子任务并表明该解析器在处理命名实体和极性方面超过了现有的最佳解析器。
Aug, 2016
提出了一种新的基于图的序列模型,能够有效地对 AMR 图进行编码,借助不同的顶部和底部节点表示以及节点传递策略,实现了更好的文本生成表现,并在两个 AMR 数据集上达到了最先进的结果。
Sep, 2019
本文提出了一种新颖的抽象摘要框架,利用意义表示(AMR)的树库进行研究。在该框架中,源文本被解析为一组 AMR 图,该图被转换为摘要图,然后从摘要图生成文本。我们专注于图形到图形的转换,该转换将源语义图减少为摘要图,并利用现有的 AMR 解析器并假设最终可用 AMR-to-text 生成器。该框架具有数据驱动、可训练性和不特定于特定领域的特点。在金标准 AMR 注释和系统解析上进行的实验显示出有希望的结果。
May, 2018