使用抽象意义表示法进行翻译简化
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
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
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
本文提出了第一个为西班牙语创建的大型抽象意义表示注释语料库,利用了 AnCora-Net 词典中的西班牙语 rolesets,扩展了英语 AMR,其中包括 586 个带有语义特征的句子注释,为实现跨语言 AMR 分析提供了更全面的方法。
Apr, 2022
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
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
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。
Jun, 2022
将从 “抽象意义表达”(AMR)生成的过程分解成两个步骤,即首先生成句法结构,然后生成表面形式,从而实现了最先进的单模型性能,同时生成了与原 AMR 图形意义相同的句法释义。
Apr, 2018
本论文关注结构化数据的文本生成问题,并着眼于通过跨语言嵌入、预训练和多语言模型生成 21 种不同语言的 AMR 到文本模型。通过分析人类评估,我们发现我们的多语言模型能够准确捕捉形态和语序,并被母语人士视为流畅。
Nov, 2020