指针网络实现的从左到右定向依存句法分析
本研究提出了一种新的依存句法分析架构:堆栈指针网络(StackPtr),它将指针网络与内部堆栈相结合,在整个句子上首先进行读取和编码,然后以自顶向下(从根到叶)的深度优先方式构建依存树,生成任何(包括非投影)解析树的步骤数与其他基于转换的解析器一样,在句子长度中是线性的。在 29 个树库方面进行评估,跨越 20 种语言和不同的依赖注释模式,并在其中 21 个方面实现最先进的性能表现。
May, 2018
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
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
通过 Pointer Networks,我们提出了一种新的神经网络架构,可以生成到目前为止最准确的不连续成分表示,即使不需要词性标注信息,此方法在 NEGRA 和 TIGER 基准测试中均取得了最新的最优结果。
Feb, 2020
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
本研究提出基于 span pointer networks 的非自回归任务导向的语义解析器,通过将推断任务从文本生成转移到区间预测,从而改善了长度预测和提高了模型的泛化能力。
Apr, 2021
通过将不连续成分的树转换成连续的变体,并使用指针网络和双射函数,将不连续的解析降低到一项连续问题,这项方法与全面的不连续算法相比具有相当准确率,但速度要快得多。
Apr, 2021
该文提出了一种新的序列到序列神经网络控制结构 —— 堆栈 LSTM,用于学习过渡式依赖解析器的解析状态,将其应用于解析模型中,实现了解析器状态的三个方面,提高了解析性能。
May, 2015
本文研究了无需动态规划的高效预测广覆盖分析。与自底向上的方法不同,自顶向下的分析产生的部分解析是完全连接的树,涵盖了整个左侧的上下文,从中原则上可以读取任何类型的非本地依赖或部分语义解释。我们对比了两种预测分析方法,自顶向下和左角分析,并发现两种方法都是可行的。此外,我们发现使用非本地信息不仅可以提高解析器的准确性,还可以大大提高搜索效率。
Aug, 2000