Sep, 2018

82 个树库，34 个模型：多树库模型实现通用依存句法分析

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 深度上下文化词向量、集成和树库连接：迈向更好的 UD 句法分析

    本文描述了我们的系统（HIT-SCIR），该系统提交给 CoNLL 2018 共享任务，涉及从原始文本到通用依赖的多语言解析。我们基于斯坦福的获胜系统进行提交和进行了两个有效的扩展：1）将深度上下文化词嵌入到词性标记器和解析器中；2）集合使用不同初始化的解析器进行训练。我们还探索了不同的合并树库的方法以进行进一步的改进。开发数据上的实验结果显示了我们方法的有效性。在最后的评估中，我们的系统在 LAS（75.84％）上排名第一，并大幅跑赢了其他系统。

    Jul, 2018

  • 众多语言，一种解析器

    使用多语言模型进行依赖解析，通过使用多语言单词聚类和嵌入，令解析器能够在多种语言中进行有效解析，同时基于语言普遍规律和类型相似性实现跨语言推断，从而使其能够更有效地从有限的注释中进行学习。

    Feb, 2016

  • 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

  • CoNLL 2017 共享任务的 SyntaxNet 模型

    本文介绍了一种使用 DRAGNN 框架的依赖分析系统，结合基于转移的递归解析和标记，以及基于字符的单词表示，其在 v1.3 版本的通用依赖树库上，相较于现有的最先进的 “Parsey's Cousins” 模型，标注准确性得分提高了 3.47%。

    Mar, 2017

  • 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

  • 联合词性标注和依存关系分析的改进神经网络模型

    本文提出了一种新的神经网络模型，用于联合部分词性标注和依赖解析，将 BiLSTM 标记组件结合到 BIST 依赖解析器中，可对英语 Penn 语料库进行联合学习，模型在 LUS 和 UAS 评分上分别达到 94.51% 和 92.87%，并在多个评测数据集上都取得了最佳表现。

    Jul, 2018

  • 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

  • 将推文解析为通用依存关系

    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。

    Apr, 2018

  • 一次性读取、标记和解析，或完全神经依存句法分析

    用单个深度神经网络实现的依赖关系解析器，无需词性标注即可直接生成依存关系及其标签，经过多任务学习和适当的正则化和额外监督训练，在没有语言特征的情况下，在斯拉夫语 UD 树库中表现为最高准确性。

    Sep, 2016