EMNLPOct, 2020

用自學方法突破 AMR 分析的極限

PDF
TL;DR本文探讨了训练模型可用于提高 AMR 解析性能的不同方式，包括生成合成文本和 AMR 注释以及动作预测的改进。我们证明了这些技术在没有额外的人工注释的情况下提高了一个已经高性能的解析器，并在 AMR 1.0 和 AMR 2.0 上取得了最先进的结果。
发现论文，激发创造
  • 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

  • 抽象意义表示的增量分析器

    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

  • ATP: AMR 化，再解析！利用伪 AMR 增强 AMR 解析

    通过引入更好的语义或形式相关的辅助任务，我们可以更好地提升抽象意义表示（AMR）解析，包括语义角色标注（SRL）和依存解析（DP）。同时，中间任务学习是一种比多任务学习更好的方式，可以更好地提高 AMR 解析的性能。我们的实验结果显示，我们的方法在不同的基准测试上取得了新的最佳性能。

    Apr, 2022

  • 鲁棒子图生成改进抽象意义表示解析

    本文提出了一种新方法，通过文本段的转换来生成 AMR 子图，从而提高 AMR 的 parsing 效果，进而提高自然语言处理和机器翻译等领域的性能表现。

    Jun, 2015

  • 跨领域 AMR 解析泛化

    本研究通过对五个领域的五种具有代表性的抽象意义表示解析器进行广泛评估和分析，旨在解决抽象意义表示解析系统的领域依赖性问题，并通过研究两种方法减少文本和 AMR 特征的领域分布差异，最终实验证明我们的方法的优越性。

    Oct, 2022

  • 利用双语信息更好地进行跨语言 AMR 解析

    该论文介绍了一种跨语言的 AMR 解析器，该解析器通过引入双语输入和辅助任务来提高 AMR 的预测准确性，其在 Smatch F1 得分上超过了现有的最先进解析器。

    Jun, 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

  • AMR 解析和生成的图形预训练

    本文研究了利用图形自监督训练来提高 PLMs 模型在 AMR 图结构上的结构意识； 它同时介绍了两种图形自编码策略，四个任务以及一个统一的框架来缩小预训练和微调任务之间的差距。实验结果表明了这种方法在 AMR 分析和 AMR-to-text 生成方面的优越性。

    Mar, 2022

  • 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

  • 带有类型语义代数的 AMR 依存解析

    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