Sep, 2022

边缘位移瓦瑟斯坦距离对 UD 解析性能的影响

PDF
TL;DR本文通过介绍一种测量方法，评估训练数据和测试数据中边缘偏移（边缘的有向距离）分布的差异，为自然语言处理中的解析性能问题做出贡献。通过使用多种统计方法，我们建立了这种测量与解析性能之间的统计相关性，即使控制潜在的协变量。然后，我们利用此结果建立了一种采样技术，提供了给定树库的解析系统的下限和上限，并证明了该方法作为一种基于相关性的探索性工作的参考。
parsing performancenlpedge displacementtreebanksstatistical correlation
发现论文，激发创造
  • 神经句法距离的短语结构句法分析

    本课题提出了一种新的句法分析方案，使用语法距离为每个输入句子中的拆分位置预测顺序，以自上而下的方式递归划分输入，相比传统的换卡规约分析方案，本方法不会出现错误累积问题，更易于并行处理，并且在 PTB 数据集中达到了竞争性的单模型判别式解析器性能，同时在 CTB 数据集中优于先前的模型。

    Jun, 2018

  • 关于句法差异与零 - shot 表现之间的关系

    本文研究在翻译过程中保留句法关系的程度与零样本情况下正确构造解析树的难度之间的联系，通过将 Universal Dependencies 从英语传输到不同的语言进行测试，结果表明跨语稳定性与零样本解析性能之间存在强烈的关联。

    Oct, 2021

  • 将推文解析为通用依存关系

    本文介绍了用 Universal Dependencies 分析 Tweets 的问题，提出了扩展 UD 指南来覆盖 Tweets 中的特殊结构以及使用新的 Tweet Treebank v2 来解决标注中的歧义，并构建了一个可以将原始 Tweets 解析为 UD 的流水线系统。此外，作者还提出了一种新的方法来精简基于转换的解析器的集合，并在真实情况下验证了该方法的有效性。

    Apr, 2018

  • 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

  • 关于依赖距离、交叉依赖和句法分析的关系。对刘海涛等人提出的 “依赖距离：自然语言句法模式的新视角” 的评述

    Liu et al. (2017) provides a comprehensive report on research of dependency distance in human languages, while also identifying areas where computational linguistics can inform research on this subject, potentially leading to improved understanding of language evolution and effective computer systems.

    May, 2017

  • 话语解析中真正重要的变化：估计领域漂移对解析器错误的影响

    本文提出了一种用于文本学习在训练分布和测试分布不同的情况下的模型泛化能力的度量方法，并通过大规模经验研究在 6 种不同数据集上验证了该方法的有益性。

    Mar, 2022

  • 重新审视泄漏对依存句法分析的影响

    该研究通过测试更多的模型和语言，发现‘leakage’仅适用于零 - shot 跨语言设置，在效果差异方面直接解释，并提出了更细致的度量方式来解释和相关观察到的性能差异。

    Mar, 2022

  • 半监督方法解析自然语言句子

    本文介绍了在半监督下对自然语言句子进行解析的工作，重点是去除词汇的依赖关系解析器的多源跨语言转移。首先，评估了树库注释风格对解析性能的影响，重点是介词附着风格。然后，我们提出了 KLcpos3，一种经验性的语言相似度测量方法，专门用于多源去词汇解析器转移中源解析器加权。最后，基于训练解析器模型的插值，引入了一种新的资源组合方法。

    Jun, 2015

  • 句法依存距离的分布

    本文提出了一种新的双指数模型，探讨了句子的句法结构和依赖距离分布及其与短期记忆限制之间的关系，并通过最近引入的优化分数，解释了最佳估计模型与句法依赖的紧密程度之间的关系。

    Nov, 2022

  • 高效 EUD 解析

    FASTPARSE 团队针对 IWPT2020 的 EUD Shared Task 提出一种训练和推理效率结合的模型，结合神经依存解析和基于规则的系统，将 UD 树映射为 EUD 图，在官方提交中获得 74.04 的平均 ELAS，排名第 4。

    Jun, 2020