ACLApr, 2020

基于图序列迭代推理的 AMR 解析

PDF
TL;DR本文提出了一种新的端到端模型，将 AMR 分析视为对输入序列和增量构建的图表的双重决策序列，并通过多个注意力，推理和组合过程来回答两个关键问题：输入序列的哪一部分需要抽象，以及在图表的哪个位置构建新的概念，实验结果表明，所提出的模型相较于之前的方法，在解决 AMR 分析的准确性方面取得了很大进步，无需任何大规模预训练语言模型（如 Bert），我们的模型就已经超过之前的最新技术水平。
发现论文，激发创造
  • 将 AMR 句法分析作为序列到图的转换

    我们提出了一种基于关注机制的模型，将 AMR 解析视为序列到图的转换，与大多数依赖于预训练对齐程序、外部语义资源或数据增强的 AMR 解析器不同，我们的提议的解析器是免费的，它可以有效地训练用于有限数量的标记 AMR 数据。我们的实验结果优于以前报告的所有 SMATCH 得分，无论是在 AMR 2.0（LDC2017T10 上的 76.3％F1）还是 AMR 1.0（LDC2014T12 上的 70.2％F1）上。

    May, 2019

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017

  • 用潜在对齐将 AMR 解析作为图形预测

    本文介绍了一个使用变分自动编码框架和离散对齐的连续轻松方法的神经解析器，其将模型概念、关系和对齐作为联合概率模型的潜在变量用于抽象语义表示 (AMR) 的预测，相较于传统方法，该模型表现优异、更为准确和可行。

    May, 2018

  • 基于 Transformer 建模图形结构以提升 AMR-to-Text 生成

    本文研究针对 AMR-to-text generation 的问题，提出了一种新颖的基于自注意力机制的模型，用于更好地模拟 AMR 图中间接连接概念之间的关系。通过实验在英语 AMR 基准数据集上展示了该模型明显优于现有模型的效果，成绩达到了该基准数据集的最好结果。

    Aug, 2019

  • 基于序列到序列 Transformer 的结构感知微调用于基于转换的 AMR 分析

    探索将预训练的序列到序列语言模型与结构感知的基于转换的方法相集成，在提高 AMR 解析效果的同时保持先前基于转换的方法的优质属性，从而使模型更简单、更可靠。

    Oct, 2021

  • 面向 AMR 转文本生成的图到序列模型

    该论文介绍了一种神经网络模型，使用新颖 LSTM 结构直接编码图级别的语义信息，用于 AMR-to-text 生成任务，并在标准数据集上实现了优于现有方法的结果。

    May, 2018

  • 引导逆向图线性化的 AMR 解析

    提出一种新的逆序图线性化（RGL）增强框架来解决序列到序列方法在解码过程中面临的结构损失积累问题，并通过两次传递的自蒸馏机制将逆序线性化引入原始 AMR 解析器，提高模型性能并在 AMR 2.0 和 AMR 3.0 数据集上取得了显著优势。

    Oct, 2023

  • 使用动作 - 指针变换器进行 AMR 解析

    本文提出了一种基于 Transformer 架构的、利用硬注意与目标端点机制相结合的过渡式 AMR 解析器，该解析器通过显式地对齐目标节点与源句子标记而提高了表现。

    Apr, 2021

  • 利用序列到序列预训练改进 AMR 解析

    本文论述了使用 Seq2Seq 预训练方法和多任务细调方法，建立单一和联合预训练模型，并取得最先进的性能，以提高抽象意义表示 - AMR - 解析的数据集规模限制问题。

    Oct, 2020

  • 用双图表示增强 AMR 到文本生成

    提出了一种新的基于图的序列模型，能够有效地对 AMR 图进行编码，借助不同的顶部和底部节点表示以及节点传递策略，实现了更好的文本生成表现，并在两个 AMR 数据集上达到了最先进的结果。

    Sep, 2019