通用分解语义解析
本文综合探讨了通用分解语义（UDS）解析，并引入了级联模型，将复杂的解析任务分解为语义上适当的子任务。我们的方法在优化了架构的同时，超越了先前的模型，并显著减少了推理时间。我们还结合了句法信息，进一步优化了架构。此外，我们还探索了不同的数据增强方法，进一步改进了 UDS 解析。最后，我们进行实验来研究 ChatGPT 在处理 UDS 任务方面的效果，发现它在属性解析方面表现出色，但在关系解析方面存在困难，而使用 ChatGPT 进行数据增强效果不佳。我们的代码可在此链接找到。
Jul, 2023
本研究探讨了多种模型构型，借助通用分解语义数据（UDS）集中丰富的句法和语义注释，联合解析通用依赖和 UDS，以获得两种形式主义的最新结果，同时分析了句法和语义联合模型的行为。我们还研究了联合建模在多语言环境下的普适性，并发现了 8 种语言中相似的趋势。
Apr, 2021
本文针对语义解析的性能进行改进，使用多任务学习方法，将 UCCA 解析作为测试案例，辅助任务包括 AMR 解析、SDP 解析和 Universal Dependencies 解析。实验表明，多任务学习显著提高了 UCCA 解析的性能。
May, 2018
提出了 UDP，这是一种基于 PageRank 算法的无训练的解析器，可用作 Universal Dependencies 的跨语言解析的基准，具有鲁棒性和很少的参数。
Jan, 2017
本文提出一种新的学习策略，该策略基于双重分解方法，联合学习生成模型和判别模型，有效提高了它们的学习结果，并在 UD 树库上取得了 30 种语言的最新成果。
Aug, 2017
本研究提出了一种基于关注机制的神经转导框架，可在多个任务中提升语义解析的效果，并且不需要先前的对齐预训练，实验结果表明在 AMR 和 UCCA 任务上表现优异。
Sep, 2019
本论文基于句子 - 和文档级别的通用分解语义（UDS）图上的推论属性，以及支持该归纳的领域内现有注释，提出一个与语义角色、实体和事件 - 事件关系分类相结合的事件结构分类。通过使用这些图结构化的文档级生成模型，这篇论文识别了包括语境中细粒度事件的时间和语法结构的大量推论属性，从而构建了目前最大的事件结构和（部分）事件指代注释数据集。
Mar, 2021
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