ACLMay, 2018

跨语义表示的多任务解析

PDF
TL;DR本文针对语义解析的性能进行改进，使用多任务学习方法，将 UCCA 解析作为测试案例，辅助任务包括 AMR 解析、SDP 解析和 Universal Dependencies 解析。实验表明，多任务学习显著提高了 UCCA 解析的性能。
semantic parsingmultitask learningucca parsingamr parsinguniversal dependencies parsing
发现论文，激发创造
  • SemEval-2019 任务 1：使用 UCCA 进行跨语言语义分析

    介绍 SemEval 2019 有关英语、德语和法语 UCCA 解析的任务和参与系统和结果。

    Mar, 2019

  • SemEval 2019 共享任务：基于 UCCA 的跨语言语义分析 - 参与征集

    本文宣布发起一项横跨英语、德语和法语的 UCCA 解析共享任务，目的是为构建一种跨语言框架的语义表示，并通过挑战已有的解析技术推动该领域的发展，进而使基于 UCCA 的自然语言处理应用受益。

    May, 2018

  • ATP: AMR 化，再解析！利用伪 AMR 增强 AMR 解析

    通过引入更好的语义或形式相关的辅助任务，我们可以更好地提升抽象意义表示（AMR）解析，包括语义角色标注（SRL）和依存解析（DP）。同时，中间任务学习是一种比多任务学习更好的方式，可以更好地提高 AMR 解析的性能。我们的实验结果显示，我们的方法在不同的基准测试上取得了新的最佳性能。

    Apr, 2022

  • 基于转导的广义语义分析

    本研究提出了一种基于关注机制的神经转导框架，可在多个任务中提升语义解析的效果，并且不需要先前的对齐预训练，实验结果表明在 AMR 和 UCCA 任务上表现优异。

    Sep, 2019

  • 通用分解语义解析的整体性探索：架构、数据增强和 LLM 范式

    本文综合探讨了通用分解语义（UDS）解析，并引入了级联模型，将复杂的解析任务分解为语义上适当的子任务。我们的方法在优化了架构的同时，超越了先前的模型，并显著减少了推理时间。我们还结合了句法信息，进一步优化了架构。此外，我们还探索了不同的数据增强方法，进一步改进了 UDS 解析。最后，我们进行实验来研究 ChatGPT 在处理 UDS 任务方面的效果，发现它在属性解析方面表现出色，但在关系解析方面存在困难，而使用 ChatGPT 进行数据增强效果不佳。我们的代码可在此链接找到。

    Jul, 2023

  • 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

  • 一个语义分析器解析所有问题：基于序列到序列多任务学习的语义解析数据集

    本文为研究使用多任务学习 (MTL) 框架统一不同的含义数据集和训练单一模型，使用了五个数据集 (Geoquery，NLMaps，TOP，Overnight，AMR) 进行实验，我们发现在不增加总参数数量的情况下，全网络共享的 MTL 架构的解析精度与单任务的基线相当或更好，同时也提供了更好的组合推广性，我们还提出了一种可与广泛使用的比例抽样策略相比较的竞争性选择任务抽样方法。

    Jun, 2021

  • 联合通用句法语义分析

    本研究探讨了多种模型构型，借助通用分解语义数据（UDS）集中丰富的句法和语义注释，联合解析通用依赖和 UDS，以获得两种形式主义的最新结果，同时分析了句法和语义联合模型的行为。我们还研究了联合建模在多语言环境下的普适性，并发现了 8 种语言中相似的趋势。

    Apr, 2021

  • 利用多类型树库进行深度多任务学习的解析

    本文提出了一种基于多任务学习的通用框架，将多类型树库结合起来，通过多级参数共享提高依存解析模型的性能，实验表明该方法可以有效地利用任意源树库来提高目标解析模型的性能。

    Jun, 2016

  • 多任务指针网络用于多表现解析

    提出了一种基于转换的方法，通过训练单个模型，可以有效地解析任何输入句子，支持连续 / 投影和不连续 / 非投影的句法结构，并证明了这两种句法形式可以在训练过程中互相受益，提高了在多个基准测试中的准确性，如英语和中文 Penn 树库以及德语 NEGRA 和 TIGER 数据集。

    Sep, 2020