本篇论文利用神经关注力和双仿射分类器,在较大规模的语法分析器上获得了最新的科技水平,并介绍了超参数选择对性能的显著影响。
Nov, 2016
本研究提出了一种使用双仿射算法将双仿射神经评分传播到图模型中的高阶依存分析方法来提高一阶依存分析器的精度。
Jun, 2023
使用简单的辅助任务来增加语义依存分析(SDP)性能,对英语无环数据集和法语深层语法循环图进行实验,显示了在基于 Transformer 的上下文表示的接近最新技术基线上的有限但系统性能改善,从而提供了一种简单而稳健的提高 SDP 性能的方法。
Feb, 2024
本文提出了一种深度顺序模型,用于解析多方对话的话语依赖结构,并利用预测的依赖关系和结构类型共同和交替地构建话语结构,实现基于序列扫描的话语依赖树构建。实验结果表明,该模型的性能优于所有最先进的基线。
Dec, 2018
本文在深度学习时代,首次提出将二阶 TreeCRF 扩展到 biaffine 句法分析器,通过 27 个数据集的实验和分析,显示出在部分有标记训练数据的情况下,表现结构学习(全局 TreeCRF 损失)和高阶建模依然有用,可以进一步提高句法分析性能。
May, 2020
该论文提出了一种由词级依赖树转变为字级依赖解析的方法,通过模型化字内的潜在内部结构,在每个词级依赖树中解释为一棵以字级树为基础的森林,采用约束 Eisner 算法确保字级树的兼容性,确保了单一的字内结构根节点,并建立了这些根节点之间的词间依赖关系。对中文树库的实验表明,我们的方法在流水线框架和之前的联合模型上具有优越性。详细分析显示,粗到精的解析策略使模型能够预测出更具语言学可行性的字内结构。
Jun, 2024
本文通过使用更大的训练集和先进的算法重新实验了 Eisner(1996)所述的三个概率模型,发现使用更大的训练集可以显著提高模型性能,其中底部上下文理解模型 B 的精度达到了 90%,标记单词的准确性也更好。
Jun, 1997
DepProbe 是一个能够从嵌入中提取有标签和有向依赖解析树的线性探针,使用的参数较少,计算复杂度较低,并且在选择最佳转移语言以训练完整的双仿效注意解析器方面表现卓越。
Mar, 2022
本研究介绍了 Baidu 依存分析器(DDParser),一个新的中文依存分析器,它是基于大规模手动标注数据集 ——Baidu 中文树库(DuCTB)训练的。DDParser 使用基于图的双仿射解析器,并对中文数据集的特征进行了调整,采用两个测试集测试,取得了 92.9%和 86.9%的标记连接分数(LAS),并取得了最先进的结果,并在 https URL 公开发布。
Sep, 2020
本文使用 biaffine 解析模型,通过布局信息提取视觉信息中的实体关系,成功运用于生产环境。
Oct, 2021