本文介绍了一种简单的算法，可将超句级的共指标注转化为统一的图表达方式，避免了信息合并的信息损失和不协调的问题。通过改进 Smatch 度量方法，使其可以用于比较文档级别的图形，并用它来重新评估最佳发布的文档级 AMR 解析器，同时提供了一个将 AMR 解析器和共指消解系统相结合的管道方法，这为未来的研究提供了一个强大的基准。

Dec, 2021

本文介绍了一个使用变分自动编码框架和离散对齐的连续轻松方法的神经解析器，其将模型概念、关系和对齐作为联合概率模型的潜在变量用于抽象语义表示 (AMR) 的预测，相较于传统方法，该模型表现优异、更为准确和可行。

May, 2018

本研究通过对五个领域的五种具有代表性的抽象意义表示解析器进行广泛评估和分析，旨在解决抽象意义表示解析系统的领域依赖性问题，并通过研究两种方法减少文本和 AMR 特征的领域分布差异，最终实验证明我们的方法的优越性。

Oct, 2022

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

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

本文提出了一种新的端到端模型，将 AMR 分析视为对输入序列和增量构建的图表的双重决策序列，并通过多个注意力，推理和组合过程来回答两个关键问题：输入序列的哪一部分需要抽象，以及在图表的哪个位置构建新的概念，实验结果表明，所提出的模型相较于之前的方法，在解决 AMR 分析的准确性方面取得了很大进步，无需任何大规模预训练语言模型（如 Bert），我们的模型就已经超过之前的最新技术水平。

Apr, 2020

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

本文提出了一个利用无监督学习和启发式方法对抽象意义表示（AMR）图组件与英语句子跨度进行对齐的算法，避免了单独的句法分析，提高了节点和边缘的覆盖率和准确性，并发布了 LEAMR 数据集和对齐器供 AMR 解析、生成和评估研究使用。

Jun, 2021

我们提出了一种语义解析器，可以将字符串解析为 AMR 图的组成结构的树形表示，利用语言学原则约束标准神经技术进行超标记和依存树解析。我们提出了两种近似解码算法，实现了最先进的准确度并优于强基线。

May, 2018

本文探讨了训练模型可用于提高 AMR 解析性能的不同方式，包括生成合成文本和 AMR 注释以及动作预测的改进。我们证明了这些技术在没有额外的人工注释的情况下提高了一个已经高性能的解析器，并在 AMR 1.0 和 AMR 2.0 上取得了最先进的结果。

Oct, 2020