COLINGNov, 2020

基于转移和序列标注分析的统一理论

PDF
TL;DR我们定义了从自左向右读取句子的基于转移的解析算法到序列标注编码的句法树的映射。这不仅建立了基于转移的解析和序列标注解析之间的理论关系，而且提供了一种从不同形式的现有基于转移的解析器中获得快速简单的序列标注解析的新编码的方法。将其应用于依赖分析，我们实现了四种算法的序列标注版本，结果显示它们是可学习的，并且具有与现有编码相当的性能。
transition-based parsingsequence labeling encodingssyntactic treesdependency parsinglearnable
发现论文，激发创造
  • 可行的依存句法分析作为序列标注

    本文研究使用基于 BiLSTM 的序列标注方法重构了依存句法分析，并通过在 PTB 和 UD 树库样本上的实验，证明该方法在速度和准确性之间提供了很好的平衡，结果与更复杂的方法相当竞争力。

    Feb, 2019

  • 组成部分句法分析作为序列标注

    该论文介绍了一种将成分解析简化为序列标注的方法，并使用该方法在 PTB 和 CTB 树库上取得了 90.7% 的 F1 得分，成为最快的成分解析器之一。

    Oct, 2018

  • 跨表征学习的序列标注解析

    本文将解析问题作为多任务学习来探究，通过添加解析范式作为辅助损失，在其他范式表现中保持一致提高性能，探讨了一种 MTL 序列标记模型，以几乎不损失性能和速度的代价解析两个表示，总体结果表明，平均来说，具有属于成分解析的辅助损失的 MTL 模型比单任务模型高 1.14 F1 点，而用于依赖解析的辅助损失提升 0.62 UAS 点。

    Jul, 2019

  • 具有堆栈长短期记忆的基于转移的依赖句法分析

    该文提出了一种新的序列到序列神经网络控制结构 —— 堆栈 LSTM，用于学习过渡式依赖解析器的解析状态，将其应用于解析模型中，实现了解析器状态的三个方面，提高了解析性能。

    May, 2015

  • 关于完全增量神经依存句法分析的挑战

    该研究论文探讨了基于现代架构的全面增量依存解析是否能够具备竞争力，并建立了将严格的从左到右神经编码器与全面增量序列标注和基于转换的解码器相结合的解析器。结果表明，基于现代架构的全面增量解析远远落后于双向解析，并注意到语言学上合理解析的挑战。

    Sep, 2023

  • 非词汇化基于转移的不连续性成分句法分析

    本研究比较基于词汇化和非词汇化的句法分析模型的性能表现，提出了一种基于结构 - 标签转换系统和双向 LSTM 评分系统的非词汇化转换型分析器，结果表明非词汇化模型在处理不连续组分句法结构时具有更好的性能表现，尤其是在英语和德语的领域中。

    Feb, 2019

  • 基于指针网络的基于转换的语义依存句法分析

    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

  • 基于堆栈变换器的转移句法分析

    本文探讨了使用序列到序列 Transformer 模型设计全局或局部状态模拟器改善基于转移的语法分析系统表现，并发现 Transformer 的交叉注意力机制的修改对于依存关系和抽象意义表征（AMR）分析任务的效果特别明显，尤其是在较小的模型或有限的训练数据下。

    Oct, 2020

  • LAGr: 标签对齐图提升语义解析的系统化泛化能力

    本文提出 LAGr 模型，通过预测多层输入对齐图的节点和边标签，达到以图形而不是序列的形式直接生成意义表征，从而取得较 seq2seq 模型更好的系统化概括效果。

    May, 2022

  • 基于序列标注的自顶向下篇章分析

    本研究介绍了一种自上而下的话语分析方法，该方法的目标是将文档迭代地分段成个体话语单元，这种方法不仅消除了解码器，而且减少了划分点的搜索空间，同时使用了 LSTM 模型，在全指标下达到了最新的 RST 分析结果。

    Feb, 2021