EMNLPJul, 2020

基于贪心的离散和连续超标签特征的依存句法分析

PDF
TL;DR本研究探讨了在贪婪的基于转移的依存解析中使用丰富的超级标记特征的影响。通过为单词添加 Continue Vector representation of the entire supertag distribution 已经取得了最佳结果，通过在英语 Penn Treebank 上对 Stanford Dependencies 进行转化，最终实现了具有 88.6％ LAS 和 90.9％ UAS 的超级标记功能的贪婪基于转移的解析。
rich supertag featuresgreedy transition-based dependency parsingcontinuous vector representationparsing accuracyenglish penn treebank
发现论文，激发创造
  • 使用超标签特征的越南语基于转换的依存分析

    通过利用超标记特征，利用基于转移的依赖句法分析方法来改善依赖分析，并在越南依赖树库上成功提高了正确附着率。

    Nov, 2019

  • 全局贪心依存句法分析

    本文提出了一种能够同时进行全局特征提取和线性时间推理的依存句法分析模型，支持投影和非投影句子的解析，经检验表现良好。

    Nov, 2019

  • 带有 Stack LSTMs 的贪婪式联合句法语义分析

    本文介绍了一种基于转换的解析器，可以同时生成句法和语义依存关系，使用长短期记忆技术来学习算法状态的表示，并具有线性时间复杂度和特征提取，是目前在同时学习语法和语义的解析模型中性能最优的一种。

    Jun, 2016

  • 基于最小特征集的转移依存句法分析的快速准确解码和全局训练

    以动态规划为框架，使用最小特征集和基于双向 LSTM 的方法进行转移依存分析，通过集成实现最佳未标注附加度分数。

    Aug, 2017

  • 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

  • 使用双向 LSTM 特征表示进行简单准确的依存句法分析

    使用双向 LSTM 神经网络构建特征向量，在依存句法分析中实现最新的结果。

    Mar, 2016

  • 堆栈传播：用于语法的改进表示学习

    使用 POS 标签作为学习表示的正则化器，提出了一种称为 “stack-propagation” 的学习模型，该模型可以应用于依赖分析和标注，其测试结果比最先进的基于图形的方法更加准确。

    Mar, 2016

  • 基于联合 RNN 的贪心分析与词汇组合

    本文介绍了一种基于神经网络的贪心解析器，利用一种新的组合子树表示方法。该解析器和组合过程共同训练，且相互之间密切相关。使用连续（单词或标签）表示和循环神经网络进行组合和标记。我们在具有速度优势的同时获得了与众所周知的现有解析器相当的 F1 性能。

    Dec, 2014

  • 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

  • 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