ACLApr, 2018

非投影转移依存分析器中的精确推理覆盖范围和运行时间复杂度的改进

PDF
TL;DR该论文提出了一种广义的非投影转移依存句法分析器，允许多项式时间的精确推断，可以在投影和非投影转移句法分析中提供更好的覆盖率和更好的运行时间保证。
dependency parserstransition-based parsingexact inferencetime complexitycoverage
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

  • 全球基于转移的非投影依存句法分析

    通过将转移型句法分析器的动态规划实现与最小集的双向 LSTM 功能相结合，Shi、Huang 和 Lee (2017) 获得了英语和汉语依存句法分析最先进的结果，但受限于投影分析。在本文中，我们通过提供 MH_4 算法的第一个实际实现，扩展了他们的方法以支持非投影性，在非投影性树库上具有非常高的覆盖率，并简化该算法以适应最少的转移型特征集。我们因此获得了非投影性转移型分析的全局解码的第一个实现，并证明它在解析一些高度非投影性的语言方面比其投影对应物更有效。

    Jul, 2018

  • 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

  • 适用于不受限非投影句法分析的完整非单调转换系统

    本文提出了一种基于 Covington 算法的全非单调转移系统，并开发了几种非单调变体的动态预测器，从而探索训练过程中的错误操作。在 CoNLL-X 和 CoNLL-XI 共享任务的数据集上进行实验，实验结果显示，非单调的动态预测器在大部分语言中表现优于单调版本。

    Jun, 2017

  • 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

  • 神经变分转移句法分析中的依赖语法归纳

    本研究提出了一种基于神经网络的转移句法解析器，利用变分推断、后验正则化和方差减小技术训练模型，实现了无监督依赖语法归纳并在英语 Penn Treebank 和 Universal Dependency Treebank 上取得了可以与基于图的模型相媲美的表现，并且在实验比较中显示出比基于图的模型更快的解析速度。

    Nov, 2018

  • 基于跨度的不连续组成句法分析：一系列时间复杂度从 O (n^6) 降至 O (n^3) 的准确基于图表的算法家族

    提出了一种用于跨度句法分析的基于图表的新算法，可以处理块度为 2 的不连续依存树，包括病态嵌套结构，在时间复杂度为 O (n^(6~3)) 之间构建其变异版本，并在德语和英语树库上评估其性能，包括预先训练的词嵌入和基于 BERT 的神经网络。

    Mar, 2020

  • 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