ACLMay, 2020

基于指针网络的基于转换的语义依存句法分析

PDF
TL;DR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。
transition-based parserspointer networksdependency parsingsemantic dependency parsingbert
发现论文，激发创造
  • 层次化指针网络解析

    本论文提出了一种基于层次指针网络的转移式解析方法，该方法在依赖和语篇关系解析方面具有优异的表现，超过现有方法并创造了新的最高水平。

    Aug, 2019

  • 指针网络实现的从左到右定向依存句法分析

    提出了一种新颖的基于转移的算法，采用指针网络框架，从左到右直接将句子解析为 $n$ 个附加部分，避免使用原始的自上而下堆栈指针解析器，并将转换序列长度减半，得到了一个二次非投影解析器，在完全监督单模型依赖解析器中取得了迄今最好的准确度，并在大多数语言测试中改进了以前的自上而下转移系统。

    Mar, 2019

  • 多任务指针网络用于多表现解析

    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

  • 依存句法分析的栈指针网络

    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

  • 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

  • 转移和图形依存关系分析中的深度语境化词嵌入－重访两种解析器的故事

    通过对十三种语言的依存句法分析实验进行误差分析，本文表明基于转移和基于图的依存句法分析器具有互补的优缺点，深层上下文词嵌入有利于转移依存句法分析器更好地利用其准确的局部决策，使得这两种方法在精度和误差概要方面几乎等效。

    Aug, 2019

  • 神经网络基于转移的结构化训练解析

    通过结构化感知机训练和使用大量自动解析的句子来学习神经网络表示，我们的解析器在 Penn Treebank 数据集上达到了 94.26％的未标记和 92.41％的标记附加精度，是迄今为止在 Stanford Dependencies 上最佳的精度，并提供深入的剖析分析以确定模型的哪些方面提供了最大的准确性增益。

    Jun, 2015

  • 基于转移的神经网络联合词性标注和依存句法分析

    本文提出了使用基于转移的神经网络联合进行词性标注和依存分析的方法，实现了标签冲突、移位 / 归约冲突和标记冲突的解决。实验表明，我们的方法在各种自然语言的联合词性标注和依存分析方面明显优于之前的方法。

    Apr, 2017

  • 全局归一化的转移依存神经网络

    本文介绍了一种全局归一化过渡式神经网络模型，其实现了最新的词性标注、依存分析和句子压缩结果，并探讨了全局与局部归一化的重要性。

    Mar, 2016

  • 基于指针网络的转移句法语义角色标注

    该研究提出了一种基于 Pointer Networks 的过渡型语义角色标注方法，该方法可以在不需要额外模块或语法信息的情况下，在单次从左到右经过中完整处理语句，其时间复杂度是 $O (n^2)$，并且在大多数 CoNLL-2009 共享任务的语言上实现了迄今为止最佳性能。

    May, 2022