句法依赖注释差异的自动更正

Jan, 2022

Automatic Correction of Syntactic Dependency Annotation Differences

Andrew Zupon, Andrew Carnie, Michael Hammond, Mihai Surdeanu

TL;DR本文提出了一种用于自动检测依赖解析语料库中注释不匹配的方法，以及三种自动转换注释不匹配的方法，并通过重新训练两种依赖解析器的实验证明应用这些方法可以明显地提高性能。

Abstract

annotation inconsistencies between data sets can cause problems for low-resource NLP, where noisy or inconsistent data cannot be as easily replaced compared with resource-rich languages. In this paper, we propose a method for automatically detecting annotation mismatches between depend

annotation inconsistencies dependency parsing corpora lexical replacement glove embedding-based replacement bert embedding-based replacement

发现论文，激发创造

使用部分标注训练依存句法分析器

本文通过对三种主流的依存句法分析器进行描述和比较，提出了两种直接使用部分注释数据（PA）进行训练的方法，其基于森林目标和受限解码的思想，研究了如何通过 PA 训练统计模型的问题。实验证明，基于 LLGPar 的方法在学习 PA 方面最为有效，而 LTPar 在表现上落后于基于图的对照组。

Sep, 2016

Stanford 依存句法分析方法的实证比较

本文重新审视了 Cer 等人（2010）提出的一个问题：在获得 Stanford 依赖性方面，准确性与速度之间的权衡是什么？我们还探讨了输入表示对这种权衡的影响：词性标记、替代依赖性表示作为输入以及单词的分布表示。我们发现，直接依赖解析是一种比过去更可行的解决方案。

Apr, 2014

更简单但更准确的语义依赖分析

本研究使用 LSTM 神经网络对句法解析器进行扩展，使其能够训练并生成图形结构的语义依存关系，并获得了最新的高性能表现。

Jul, 2018

从零开始的通用依存句法分析

该论文介绍了 Stanford 的 CoNLL 2018 UD 共享任务中的系统，这是一个完整的神经管道系统，可以将原始文本作为输入，并执行共享任务所需的所有任务，从分词和句子分割到词性标注和依赖关系解析，并通过广泛的消融研究展示了不同的模型组件的有效性。

Jan, 2019

预训练语言模型作为重新注释工具

本文讲述了如何利用预训练语言模型降噪数据集，提出了两种任务：注释不一致检测和注释错误更正。作者使用新的可信度分数来检测不一致性，并用两种方法来更正注释。此外，通过重新注释创建了一个新数据集 Re-DocRED，自动降噪训练集将对关系抽取模型产生多达 3.6％的性能提高。

May, 2022

理解对资源有限的神经机器翻译中的词级语言标注的影响

研究了词级语言标注对资源不足的神经机器翻译的影响，通过实验发现，当在源语言进行标注时，语法 - 语义描述标签在某些语言对中表现优于词性标签；但在目标语言进行标注时，词性标签在自动评估指标上始终优于语法 - 语义描述标签，尽管后者可改善输出的语法性。该研究提供了对此结果的详细分析。

Jan, 2024

可微扰动和解析：用结构化变分自编码器进行半监督解析

为了改善句法解析器，我们提出了一种新的潜变量生成模型，可以使用大量的未标记文本来进行半监督学习，并通过可微的动态规划来提高解析器的准确性。

Jul, 2018

最劣情况感知自动课程学习下的零样本依存句法分析

本研究采用来自多任务学习的自动课程学习方法，旨在动态优化对于语法分析模型下游任务的性能，从而实现在低资源语言中的零样本情况下的跨语言迁移，表明这种方法比均匀和大小成比例采样更好。

Mar, 2022

基于依存句法模型的自动机器翻译评价度量

通过对依存分析模型理解，提出一种不需要人工定义子结构的新的自动评估度量标准，以获取词汇相似性，并取得系统水平的最佳性能。

Aug, 2015

LyS_ACoruña 在 SemEval-2022 任务 10 中：将现成工具用于情感分析和语义依存分析

本文使用双仿射语义依赖分析器、大型预训练语言模型和公开可用的翻译模型解决了结构化情感分析的问题。对于单语言环境，作者考虑了在单个语料库上训练和跨语言模型上下文下训练。对于零样本场景，作者通过单词级别的翻译和合并训练数据来处理目标语料库。在后期评估阶段，作者还训练了交叉语言模型，而不是使用单词级别的翻译，并获得了更好的结果。

Apr, 2022