Jun, 2019

使用端到端神经网络进行二阶语义依赖分析

PDF
TL;DR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。
semantic dependency parsingsecond-order parsingmean field variational inferenceloopy belief propagationneural network
发现论文，激发创造
  • 使用消息传递和端到端训练的二阶神经依存句法分析

    本文提出了一种使用信息传递和端到端神经网络进行二阶图形神经依赖解析的方法，说明了我们的方法与最近最先进的二阶图形神经依赖解析器的准确度相匹配，并且在训练和测试中速度显著更快。同时，实证表明，相较于一阶解析，二阶解析的优势与使用 BERT 嵌入时的头部选择结构约束的有用性相似。

    Oct, 2020

  • 二阶无监督神经依存句法分析

    我们提出了一种新的无监督神经依赖模型的二阶扩展，它可以包含祖父 - 子或兄弟信息，并使用基于一致性的学习框架联合训练一二阶无词汇化模型和一阶词汇化模型，实验表明我们的二阶模型在多个数据集上的效果优于最近的最先进方法，并且我们的联合模型在完整的 WSJ 测试集上取得了 10% 的改进。

    Oct, 2020

  • 一个高阶语义依存解析器

    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

  • 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

  • 使用均场推理建模标签相关性进行二阶语义依存解析

    本研究探索了基于张量分解技术的一种二阶语义解析方法，以改善传统的直接建模方法由于存储空间不足以不可承受的代价而导致的性能不佳问题。实验结果表明，该方法有效地增强了标签相关性的建模，同时在回归目标词概率的阶段减少了计算复杂度，其代码已在 https URL 上公开。

    Apr, 2022

  • 神经电位传递用于高阶依存句法分析

    本研究提出了一种使用双仿射算法将双仿射神经评分传播到图模型中的高阶依存分析方法来提高一阶依存分析器的精度。

    Jun, 2023

  • 鲁棒的增量神经语义图解析

    该研究提出了一个基于神经编码器 - 解码器的转移句法分析器，可以作为关于最小递归语义的完全覆盖的语义图分析器，预测图与非词汇化谓词及其标记对齐共同。该分析器比注意力模型基准更准确，并且在 GPU 批处理方面比高精度基于语法的分析器快一个数量级。此外，我们的最小递归语义分析器的 86.69％ Smatch 得分高于 AMR 分析的上限，这使得 MRS 成为有吸引力的语义表示选择。

    Apr, 2017

  • 更简单但更准确的语义依赖分析

    本研究使用 LSTM 神经网络对句法解析器进行扩展，使其能够训练并生成图形结构的语义依存关系，并获得了最新的高性能表现。

    Jul, 2018

  • 基于指针网络的基于转换的语义依存句法分析

    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

  • 基于依赖的混合树用于语义解析

    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