多语言 AMR-to - 文本生成
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
本文提出了一种基于预处理的强化语言模型和基于回环一致性的重新评分相结合的方法,有效地生成表征意义的 AMRs 数据的文本,并在英语 LDC2017T10 数据集上的表现优于以往的所有技术,包括 transformer 架构。
May, 2020
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
本研究通过弱监督的方法将英语的 AMR 注解与其他语言进行投射,使用跨语言的 RoBERTa (XLM-R large) 来引导多语言单词嵌入的投射过程,并使用一种新的技术来实现外文文本与英语 AMR 的对齐,通过上下文的单词对齐来弱监督跨语言 AMR 标注,实现了高性能的跨语言 AMR 标注。研究结果表明,本文方法在德语、意大利语、西班牙语和中文等四种语言上的表现已经超过了先前最好的实验结果。
Feb, 2021
本文概述了 AMR-to-Text 的研究现状和方法,并细分为基于规则,Seq-to-Seq,Graph-to-Seq,Transformer 和 PLM 等五类方法。着重介绍了基于神经网络的方法和 AMR-to-Text 的最新进展,包括 AMR 重构和 Decoder 优化等。此外,本文还介绍了 AMR-to-Text 的基准测试和评价方法,并提供了当前技术和未来研究的展望。
Jun, 2022
本文针对多语言 AMR-to-text 生成的最新研究现状进行了探讨。研究结果表明,使用含有黄金 AMR 的数据进行训练并结合机器翻译的句子,可以明显提高多语言 AMR-to-text 的生成质量,使得其未来应用前景十分广阔。
Sep, 2021
本文针对从 AMR 生成英文文本的文本生成技术的研究,提出了新的人类评估方法,以便更准确地衡量其流利程度、完备性和错误类型,结果显示人类判断能够提供更细致的比较结果和常见错误分析。
Apr, 2020
本研究提出了一种新方法,使用抽象意义表示(AMR)来改善现有的多语言句子嵌入。研究表明,使用 AMR 可以提高多语言句子嵌入在语义相似性和转移任务上的性能。
Oct, 2022
将从 “抽象意义表达”(AMR)生成的过程分解成两个步骤,即首先生成句法结构,然后生成表面形式,从而实现了最先进的单模型性能,同时生成了与原 AMR 图形意义相同的句法释义。
Apr, 2018
该研究旨在通过跨语言的 AMR 解析,使用单个模型来捕捉各种语言中句子的核心语义内容,发现用翻译加解析(T+P)的简单方法在几种语言上的表现比最新的全球最佳系统表现更好。
Jun, 2021