Jun, 2022

利用上下文嵌入的基于转移的抽象含义表示解析

PDF
TL;DR该论文提出了一种名为 AmrBerger 的新的语义分析器，它探索了预训练上下文感知的单词嵌入在 AMR 分析中的可用性，并发现这些丰富的词汇特征与额外的概念信息的结合可以提高系统的性能。同时，通过分析，也展现了上下文嵌入的优点和局限，这为进一步深入理解提供了启示。
semantic parsingabstract meaning representationcontext-aware word embeddingsbertroberta
发现论文，激发创造
  • 抽象意义表示的增量分析器

    介绍了一种基于转移的 AMR 解析器，可以按左到右的线性时间解析 AMR 语义表示的句子。还提出了一个测试套件来评估特定子任务并表明该解析器在处理命名实体和极性方面超过了现有的最佳解析器。

    Aug, 2016

  • 使用抽象意义表示对多语言句子嵌入进行改进

    本研究提出了一种新方法，使用抽象意义表示（AMR）来改善现有的多语言句子嵌入。研究表明，使用 AMR 可以提高多语言句子嵌入在语义相似性和转移任务上的性能。

    Oct, 2022

  • 利用双语信息更好地进行跨语言 AMR 解析

    该论文介绍了一种跨语言的 AMR 解析器，该解析器通过引入双语输入和辅助任务来提高 AMR 的预测准确性，其在 Smatch F1 得分上超过了现有的最先进解析器。

    Jun, 2021

  • 基于序列到序列 Transformer 的结构感知微调用于基于转换的 AMR 分析

    探索将预训练的序列到序列语言模型与结构感知的基于转换的方法相集成，在提高 AMR 解析效果的同时保持先前基于转换的方法的优质属性，从而使模型更简单、更可靠。

    Oct, 2021

  • 鲁棒的增量神经语义图解析

    该研究提出了一个基于神经编码器 - 解码器的转移句法分析器，可以作为关于最小递归语义的完全覆盖的语义图分析器，预测图与非词汇化谓词及其标记对齐共同。该分析器比注意力模型基准更准确，并且在 GPU 批处理方面比高精度基于语法的分析器快一个数量级。此外，我们的最小递归语义分析器的 86.69％ Smatch 得分高于 AMR 分析的上限，这使得 MRS 成为有吸引力的语义表示选择。

    Apr, 2017

  • 鲁棒子图生成改进抽象意义表示解析

    本文提出了一种新方法，通过文本段的转换来生成 AMR 子图，从而提高 AMR 的 parsing 效果，进而提高自然语言处理和机器翻译等领域的性能表现。

    Jun, 2015

  • 基于字符级别翻译的神经语义解析：对抽象意义表示的实验

    我们使用字符级翻译的方法对一大语料库中注释有抽象意义表示的句子进行神经语义解析的评估。通过一些简单的预处理和后处理，我们使用序列到序列模型得到了一个基线准确率为 53.1。研究了五种不同的方法来改善这个基线结果，结合这五种技术的结果使获得了一项 AMR 解析的最新进展状态的成果，F 分数为 71.0。

    May, 2017

  • 基于语义的神经机器翻译：使用 AMR

    研究表明，通过在神经机器翻译中使用抽象意义表示（AMR）作为额外知识，可以显著改善一种强的基于注意力的序列到序列神经翻译模型在标准英德数据集上的翻译表现。

    Feb, 2019

  • AMR 对齐：关注交叉注意力

    本研究探讨了基于 Transformer 模型的句法分析器的交叉注意力机制及其对句子结构与语义间的对齐能力，提出了一种有效的交叉关注权重的监督和引导方法并通过实验验证其效果。

    Jun, 2022

  • 神经 AMR: 序列到序列模型用于解析和生成

    使用数百万个未标记的句子和对 AMR 图的精心预处理，我们提出了一种新颖的训练过程，成功地解决了 AMR 中有限的标记数据和非顺序的图表征对序列到序列模型的限制。我们在 AMR 解析和生成任务上取得了竞争性结果，并得到了丰富的分析和证据表明序列基 AMR 模型对图表征的排序变化具有鲁棒性。

    Apr, 2017