通过知识蒸馏的方法，结合精确的输出和大量预训练，我们在一个严格的多语言设置中获得了一个 AMR 解析器，其性能超过了先前发表的所有结果，并在英语上达到了与最新的最先进的英语解析器相当的性能。

Sep, 2021

本文研究了 AMR 解析的现状和问题，提出了两种基于 Transformer 模型的集成策略来解决结构约束问题，并强调了计算所有可能预测的 SMATCH 得分的需求。

Jun, 2023

我们提出了一种基于关注机制的模型，将 AMR 解析视为序列到图的转换，与大多数依赖于预训练对齐程序、外部语义资源或数据增强的 AMR 解析器不同，我们的提议的解析器是免费的，它可以有效地训练用于有限数量的标记 AMR 数据。我们的实验结果优于以前报告的所有 SMATCH 得分，无论是在 AMR 2.0（LDC2017T10 上的 76.3％F1）还是 AMR 1.0（LDC2014T12 上的 70.2％F1）上。

May, 2019

本文提出了一种新的端到端模型，将 AMR 分析视为对输入序列和增量构建的图表的双重决策序列，并通过多个注意力，推理和组合过程来回答两个关键问题：输入序列的哪一部分需要抽象，以及在图表的哪个位置构建新的概念，实验结果表明，所提出的模型相较于之前的方法，在解决 AMR 分析的准确性方面取得了很大进步，无需任何大规模预训练语言模型（如 Bert），我们的模型就已经超过之前的最新技术水平。

Apr, 2020

该研究介绍了两种扩展 AMR smatch 评分脚本的方法，即使用 C6.0 基于规则的分类器生成可读的错误频率报告以及结合集成方法选择同一句子的最佳 AMR 图。其中，字符级神经翻译 AMR 解析器在 AMR 解析任务中展现了意外的表现，比其它模型获得更高的 F1 得分，最终实现了对 SemEval-2016 标准集的 62% 和 LDC2015E86 测试集的 67% 的匹配度。

Apr, 2016

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。

Oct, 2020

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

本研究旨在解决图形预测的集成问题，作者提出了一个高效的启发式算法来近似最优解，在 AMR 解析问题中实验结果表明该算法比单个模型更加精准且更具鲁棒性。

Oct, 2021

通过 Policy Learning 和奖励样本图的 Smatch 得分来丰富 Stack-LSTM 转移式 AMR 解析器的训练，在 AMR-to-text 的对齐和加入注意力机制的基础上补充了预处理的概念识别、命名实体和上下文嵌入，从而实现了与最优 published results 相媲美的高竞争性能。我们进行了深入的研究来研究解析器的每个新组件。

May, 2019

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