Apr, 2021

非自回归任务导向语义解析的跨度指针网络

PDF
TL;DR本研究提出基于 span pointer networks 的非自回归任务导向的语义解析器，通过将推断任务从文本生成转移到区间预测，从而改善了长度预测和提高了模型的泛化能力。
span pointer networksnon-autoregressive parserssemantic parsingtask-orientedmodel generalization
发现论文，激发创造
  • 组合式任务导向对话的非自回归语义分析

    本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

    Apr, 2021

  • 不解析，直接插入：基于插入解码的多语言语义解析

    本文介绍了一种基于插入变换器的非自回归解析器来提高语义解析效率和跨语言迁移学习的能力，并在多个数据集上进行测试。

    Oct, 2020

  • 基于 Span 的组合推理的语义解析

    本研究提出了 SpanBasedSP，这是一种基于跨度的解析器，用于语义分析，并且能够更好地进行组合概括。SpanBasedSP 在几个数据集上进行测试，表现出与强 seq2seq 基线相当的效果，并且在需要进行组合概括的情况下，与基线相比有显著的性能优势。

    Sep, 2020

  • 多任务指针网络用于多表现解析

    提出了一种基于转换的方法，通过训练单个模型，可以有效地解析任何输入句子，支持连续 / 投影和不连续 / 非投影的句法结构，并证明了这两种句法形式可以在训练过程中互相受益，提高了在多个基准测试中的准确性，如英语和中文 Penn 树库以及德语 NEGRA 和 TIGER 数据集。

    Sep, 2020

  • 不解析，生成！一种用于面向任务的语义解析的序列到序列架构

    本文提出了一种基于序列到序列模型和指针生成网络的统一架构，旨在处理既能识别简单 Action 单一的查询，也能处理更复杂的分段实体的查询，并在 ATIS、SNIPS 和 Facebook TOP 数据集上取得了最先进的准确率，不需要对语义分析模式加任何限制。

    Jan, 2020

  • 带有 Softmax-Margin Segmental RNNs 和句法支架的框架 - 语义解析

    本研究提出了一种基于帧语义的解析器，可以标记出 FrameNet 谓词的语义参数，通过一种强调回忆的基于 RNNs 的扩展，该基本系统在无需调用句法解析器的情况下实现了竞争性能；同时，作者还介绍了一种仅在训练时使用来自 Penn Treebank 的短语句法注释的方法，该方法旨在解决传统句法流水线的高成本问题，并实现了最先进的性能。

    Jun, 2017

  • 任务导向语义解析中的 Transformer 诊断

    本文研究了 BART 和 XLM-R 两种目前最先进的基于 transformers 的任务导向语义解析模型在单语和多语境下的表现，实验证明它们不仅在消歧意图 / 槽方面有困难，而且在生成句法上有效的语义框架方面也遇到了问题，主要原因是在把句子片段抽取到框架中时存在歧义，导致语法无效。不过，该模型同时也为是否正确或不正确的语义框架给出了充足的指标，使得该模型可以轻松部署在生产环境中。

    May, 2021

  • 通过意图调节改善用于非自回归语义解析的 Top-K 解码

    提出了一种基于意图编码的新型 NAR 语义解析器，解决了 NAR 解码器生成 top-k 输出的困难，达到了与现有 NAR 模型相同的解码时间复杂度 O (1)，生成更多样化的输出并提高了 top-3 准确匹配率。

    Apr, 2022

  • 依存句法分析的栈指针网络

    本研究提出了一种新的依存句法分析架构：堆栈指针网络（StackPtr），它将指针网络与内部堆栈相结合，在整个句子上首先进行读取和编码，然后以自顶向下（从根到叶）的深度优先方式构建依存树，生成任何（包括非投影）解析树的步骤数与其他基于转换的解析器一样，在句子长度中是线性的。在 29 个树库方面进行评估，跨越 20 种语言和不同的依赖注释模式，并在其中 21 个方面实现最先进的性能表现。

    May, 2018

  • 指针网络实现的从左到右定向依存句法分析

    提出了一种新颖的基于转移的算法，采用指针网络框架，从左到右直接将句子解析为 $n$ 个附加部分，避免使用原始的自上而下堆栈指针解析器，并将转换序列长度减半，得到了一个二次非投影解析器，在完全监督单模型依赖解析器中取得了迄今最好的准确度，并在大多数语言测试中改进了以前的自上而下转移系统。

    Mar, 2019