具有类型保证的快速语义解析
我们提出了一种语义解析器,可以将字符串解析为 AMR 图的组成结构的树形表示,利用语言学原则约束标准神经技术进行超标记和依存树解析。我们提出了两种近似解码算法,实现了最先进的准确度并优于强基线。
May, 2018
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
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
本文研究了神经技术在端到端的计算论证挖掘中的应用,将论证挖掘作为基于令牌的依赖解析和基于令牌序列标注的问题,包括多任务学习设置。研究发现,相比于在论证组件层次上操作的模型,将论证挖掘作为依赖解析的形式表现效果不佳;而基于双向长短时记忆网络的本地标注模型在分类场景下表现强劲,并能够捕捉到论证挖掘问题固有的远程依赖关系。另外,多任务学习可以改善模型表现。
Apr, 2017
本文重新审视了 Cer 等人(2010)提出的一个问题:在获得 Stanford 依赖性方面,准确性与速度之间的权衡是什么?我们还探讨了输入表示对这种权衡的影响:词性标记、替代依赖性表示作为输入以及单词的分布表示。我们发现,直接依赖解析是一种比过去更可行的解决方案。
Apr, 2014
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。
Jun, 2019
介绍了一种基于转移的 AMR 解析器,可以按左到右的线性时间解析 AMR 语义表示的句子。还提出了一个测试套件来评估特定子任务并表明该解析器在处理命名实体和极性方面超过了现有的最佳解析器。
Aug, 2016
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
本文提出了一种整合了一切的语义分析模型,采用词对分类问题的方法,运用最大熵分类器和特征选择工程解决了该领域迄今为止最大的特征空间问题,获得了 CoNLL-2008 共享任务评估数据集的最好性能。
Jan, 2014