更简单但更准确的语义依赖分析
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
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
本文提出了使用句法图来表示三种句法信息(单词顺序,依赖关系和从属关系)的方法,并使用图到序列模型对句法图进行编码和解码逻辑形式。基准数据集上的实验结果表明,该模型与 Jobs640、ATIS 和 Geo880 的最新研究成果相当。对抗示例上的实验结果表明,通过编码更多的句法信息,该模型的鲁棒性也得到了提高。
Aug, 2018
本研究提出了一种新的基于神经网络的两种表征形式(span 和 dependency)的句法和语义联合模型,该模型有效地整合了句法信息,最大化优化联合目标,试验结果表明语义和句法可以相互促进,以全新的表现水平取得了 Propbank 基准测试集上的最好成绩。
Aug, 2019
本文实现了第二阶段语义依赖解析器,使用平均场变分推理或循环置信传播算法来近似第二阶段解析,然后将两种算法展开成神经网络的递归层以进行端到端的训练,实验结果表明我们的方法实现了最新的最佳性能。
Jun, 2019
本文提出了一种新的统一框架,将结构化情感分析问题作为依存关系图解析,其中节点是情感持有者、目标和表达式,弧是它们之间的关系。在四种语言的五个数据集上进行实验,结果显示这种方法比现有技术有更好的表现,并通过依存语法信息改进情感图产生了更好的结果。
May, 2021
本研究应用图神经网络(GNN)构建更高阶语义依存解析器,通过多个 GNN 层的聚合获得更高阶信息,实现近似推理,实现在 SemEval 2015 任务 18 英语数据集上超越先前最先进的解析器。
Jan, 2022
本文介绍了一种新的语义解析设置,使用户能够使用自然语言问题和图形用户界面内的操作查询系统。我们设计了一个基于 LSTM 的编码器 - 解码器架构,通过复制机制和多级输入和先前输出的注意力来建模上下文依赖性。使用策略梯度训练该架构可进一步提高性能,在人工数据上达到了 88.7% 的序列级准确度,在实际数据上达到了 74.8%。
May, 2019
本研究提出了一种新的基于依存的混合树模型,将自然语言转换成机器可解释的含义表示,并通过在标准多语言 GeoQuery 数据集上进行的大量实验证明,我们的方法能够在多种语言上实现最先进的性能。
Sep, 2018
本文提出了一种整合了一切的语义分析模型,采用词对分类问题的方法,运用最大熵分类器和特征选择工程解决了该领域迄今为止最大的特征空间问题,获得了 CoNLL-2008 共享任务评估数据集的最好性能。
Jan, 2014