ACLApr, 2018

将推文解析为通用依存关系

PDF
TL;DR本文介绍了用 Universal Dependencies 分析 Tweets 的问题，提出了扩展 UD 指南来覆盖 Tweets 中的特殊结构以及使用新的 Tweet Treebank v2 来解决标注中的歧义，并构建了一个可以将原始 Tweets 解析为 UD 的流水线系统。此外，作者还提出了一种新的方法来精简基于转换的解析器的集合，并在真实情况下验证了该方法的有效性。
tweetsuniversal dependenciesenglishparsertreebank
发现论文，激发创造
  • 基于数据的儿童 - 家长互动解析评估

    本研究提出了一个语法依存树库，用于儿童自然语言的注释和研究，分析了写作和口语之间的语言特征并探讨了儿童语言发展与句法分析器性能的关系。

    Sep, 2022

  • 泰国通用依赖树库

    本研究通过引入泰语通用依存树库（TUD）解决了自动依存解析泰语句子的问题，并通过将预训练的 transformer 作为编码器来训练泰语依存解析模型，在评估结果中表明大多数模型能够胜过前期研究中的其他模型，为泰语依存解析器的最佳组件选择提供了见解，并将实验中的新树库和每个模型的完整预测结果在 GitHub 上进行了共享。

    May, 2024

  • 通用依存关系 v2：一个不断增长的多语言树库集合

    该研究介绍了 Universal Dependencies 的第二个版本，其中包括词汇分析、词形还原、标准化标记和句法关系，适用于 90 种语言，以及主要变化（UD v1 到 UD v2）的讨论。

    Apr, 2020

  • 从斯坦福和宾州树库到英语通用依存关系的多层注释转换

    本文介绍和评估了不同的方法将 Stanford Typed Dependencies (SD) 和 Penn-style 组分树的黄金标准语料库数据转化为最新的英语通用依赖关系 (UD2.2)。结果表明，多种语体下，纯 SD 到 UD 的转换具有高精度，只有 1.5% 的错误率，但如果访问纯语法树之外的注释，如实体类型和指代消解这样的注释，可以进一步提高精度，错误率可以降至不到 0.5%。我们表明，基于成分的转换使用 CoreNLP (自动命名实体识别) 在所有语体中表现不佳，包括在使用黄金成分树时，主要是由于短语语法功能的不充分规范化。

    Sep, 2019

  • 82 个树库，34 个模型：多树库模型实现通用依存句法分析

    介绍了 Uppsala 系统，它是一个由三个部分构成的流水线，可以用于 CoNLL 2018 共享任务的普遍依赖语法分析。通过使用多个树库对同一语言或密切相关语言训练模型，我们极大地减少了模型数量，最终在公开测试上获得了 LAS 和 MLAS 指标的第 7 位排名以及词分割、普遍 POS 标签和形态特征的最高分。

    Sep, 2018

  • 从零开始的通用依存句法分析

    该论文介绍了 Stanford 的 CoNLL 2018 UD 共享任务中的系统，这是一个完整的神经管道系统，可以将原始文本作为输入，并执行共享任务所需的所有任务，从分词和句子分割到词性标注和依赖关系解析，并通过广泛的消融研究展示了不同的模型组件的有效性。

    Jan, 2019

  • 无需训练的通用依存关系分析

    提出了 UDP，这是一种基于 PageRank 算法的无训练的解析器，可用作 Universal Dependencies 的跨语言解析的基准，具有鲁棒性和很少的参数。

    Jan, 2017

  • 75 种语言，1 个模型：通用依存关系的全球解析

    UDify 是一个多语言多任务模型，可以准确预测 75 种语言中 124 个通用依赖树库的通用词性、形态特征、词形和依赖树，无需任何循环或语言特定组件，并且在跨语言注释方面对低资源语言起到关键作用，并且可以进行零 - shot 学习。

    Apr, 2019

  • 通用语义解析

    UDepLambda 是一个语义接口，它将自然语言映射到逻辑形式，可以处理依存图，并在自然语言理解中表现出色，对于多语言问题回答有很好的性能。

    Feb, 2017

  • IWPT 2020 共享任務中的 ADAPT 增強依存分析器

    该论文介绍了 ADAPT 系统参加 2020 年 IWPT 共享任务的解析增强通用依存关系的方法，采用 UDPipe 和 UDPipe-future 构建管道方法，使用语义依存图解析器或一系列启发式规则来增强依存图，并在语言平均值方面达到了 79.53 分，可以成功实现增强依赖句法分析任务。

    Sep, 2020