联合通用句法语义分析
本研究提出了一种新的基于神经网络的两种表征形式(span 和 dependency)的句法和语义联合模型,该模型有效地整合了句法信息,最大化优化联合目标,试验结果表明语义和句法可以相互促进,以全新的表现水平取得了 Propbank 基准测试集上的最好成绩。
Aug, 2019
介绍一种用于自然语言处理的跨识别模型,能够将自然语言转化为通用分解语义表现形式(UDS)的图结构,并将其注释为分解语义属性分数,同时实现了属性预测。通过分析属性预测错误,发现模型捕捉到属性组之间的自然关系。
Oct, 2019
本文综合探讨了通用分解语义(UDS)解析,并引入了级联模型,将复杂的解析任务分解为语义上适当的子任务。我们的方法在优化了架构的同时,超越了先前的模型,并显著减少了推理时间。我们还结合了句法信息,进一步优化了架构。此外,我们还探索了不同的数据增强方法,进一步改进了 UDS 解析。最后,我们进行实验来研究 ChatGPT 在处理 UDS 任务方面的效果,发现它在属性解析方面表现出色,但在关系解析方面存在困难,而使用 ChatGPT 进行数据增强效果不佳。我们的代码可在此链接找到。
Jul, 2023
本文探讨句法分析在语义分析中的作用,并以 Universal Dependencies 和 UCCA 为案例进行比较研究。研究发现,两种分析方案的显著差异主要集中在情景场景与非情景场景的区分、主从关系与参与关系的区分、多词语表达式的处理、以及从句间的连接方式等四个方面,这表明在文本理解这方面,语义分析方法在下游应用中可能比语法分析方法更加有效。
Mar, 2019
本文介绍了一种新颖的深度学习架构,通过将两个语言语义的神经模型相结合,提供了一个语义分析系统,无需解析即可从自然语言语句和问题中生成本体库特定的查询,使其特别适用于语法错误或句法非典型的文本,例如 Twitter,也允许开发受资源限制的语言的语义解析器。
Apr, 2014
本文针对语义解析的性能进行改进,使用多任务学习方法,将 UCCA 解析作为测试案例,辅助任务包括 AMR 解析、SDP 解析和 Universal Dependencies 解析。实验表明,多任务学习显著提高了 UCCA 解析的性能。
May, 2018
通过从多个数据集中学习语义解析器的新方法,我们将未观测到的正式语义注释视为潜在结构变量,并在现有基础上建模,从而在框架语义解析和语义依赖解析方面取得了改进。
Apr, 2018
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
本研究提出了一种在多个知识库上进行语义解析的框架,采用弱监督训练。通过多个特定于域的语义分析器(教师)训练一个统一的多域语义解析器(学生)来解决这一挑战。 在标准 Overnight 数据集上,相对于基线技术,该模型在指称准确性方面提高了 20%。
Jun, 2019