ACLApr, 2019

基于无栈转移系统和动态 Oracle 的不连续短语结构分析

PDF
TL;DR通过使用一种新的过渡系统，将存储子树的方法改为带有常数时间随机访问的解析项集合，设计了一种能够在 4n-2 次转换中完成长度为 n 的任何不连续成分树构建的解析策略，同时引入了一个可靠的动态预测器用于该过渡系统，并在三个英语和德语的不连续成分分析树库上实现了最先进的结果。
discontinuous constituency parsingtransition systemparsing itemsdynamic oraclestate-of-the-art results
发现论文，激发创造
  • 基于跨度的成分句法分析：结构标签系统和可证明最优动态预测

    通过使用仅包含句子跨度的最小 LSTM 特征表示的新的 shift-reduce 系统以及第一个可以证明最优的动态 Oracle，该算法的时间复杂度是摊销 O（1），相比于标准依赖解析的 O（n ^ 3）Oracle，我们在使用这个 Oracle 进行训练后，在不使用重新排名或外部数据的情况下取得了最好的 F1 分数，而句法解析准确度得到了显著提高。

    Dec, 2016

  • 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

  • 非词汇化基于转移的不连续性成分句法分析

    本研究比较基于词汇化和非词汇化的句法分析模型的性能表现，提出了一种基于结构 - 标签转换系统和双向 LSTM 评分系统的非词汇化转换型分析器，结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现，尤其是在英语和德语的领域中。

    Feb, 2019

  • 自顶向下和自左向右移位归约成分句法分析的动态预言机

    利用新颖的动态预测模型，提高基于转移的 shift-reduce 算法在成分句法分析中的准确率。其中，我们针对自顶向下和自内向外两种转移方式的解析器设计了动态预测模型，可以显著提高句法分析的准确率，达到了 92.0 F1 的最佳水平。

    Oct, 2018

  • 非二叉的自底向上策略加速移位约简组成分析

    该文章提出了一种新颖的非二元移进 - 规约算法用于组成句法分析，其比现有的基于移进 - 规约的组成句法分析系统使用更少的转换，成为最快的该类系统，以此加快下游任务的速度。该算法的准确性可以与当前最先进的基于移进 - 规约技术的组成句法分析器相媲美，同时在 Wall Street Journal 部分中，它超过所有自上而下有效移进 - 规约的系统。

    Apr, 2018

  • 使用轻微上下文敏感文法进行非监督式不连续成分句法分析

    研究语法诱导，使用线性无上下文重写系统进行无监督不连续解析，将文法形式限制为二元 LFCRS 并使用张量分解与参数化规则概率得到大量非终端符号，从而能够诱导出具有连续和不连续结构的语言学意义的树。

    Dec, 2022

  • 使用指针网络的不连续成分句法分析

    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

  • 中序转移基于成分句法分析

    本研究提出了基于中序遍历的句法树的新型解析系统，该系统采用一组转移动作来平衡自底向上成分信息和自顶向下的前瞻信息，基于堆栈 LSTM 的心理语言学成分解析系统在 WSJ 基准测试上实现了 91.8 F1，并且经过有监督的重排序后可以达到 93.6 F1，经过半监督的重排序后，可以达到 94.2 F1。

    Jul, 2017

  • 使用指针网络重排序将不连续转换为连续解析

    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

  • 使用循环神经网络和动态规划进行线性时间成分句法分析

    提出了一种基于 RNNs 和动态规划的图结构堆叠和波束搜索的线性时间组成成分句法分析器，通过集成立方剪枝，可以将其运行速度进一步提高到 O（n b log b），相对于图表解析基线，此线性时间解析器在长句子上的速度明显更快，对于话语分析来说速度更快，是单模型端到端系统中在 Penn Treebank 上达到的最高 F1 准确度。

    May, 2018