COLINGMar, 2024

基于高阶特征的稀疏逻辑回归用于从树库中自动提取语法规则

PDF
TL;DR我们提出了一种新的方法，从树库中提取和探索显著的细粒度语法模式和潜在的句法语法规则，以创建易于理解的基于语料库的语法描述。我们使用线性分类器提取预测研究中语言现象最显著特征，并将统计信息与每个规则关联，然后将模型结果的排序与其他定量和统计测量结果进行比较。我们的方法捕捉到了西班牙语、法语和沃洛夫语中已知和不太为人知的重要语法规则。
descriptive grammarscorpus-based grammarlinguistic phenomenaagreementword order
发现论文，激发创造
  • 规则增强的无监督短语结构句法分析

    该研究提出了一种基于语法规则的非监督句法树生成方法，利用了语言的通用语法知识，采用强化学习和自编码器等技术，在 MNLI 和 WSJ 两个基准数据集上实现了最好的结果。

    May, 2021

  • 自动提取语法知识对 L2 语言学习的教师感知

    本研究介绍了一个自动框架，旨在通过自动发现和可视化语法的不同方面来促进语言教学，其中从自然语料库中提取描述单词排序、一致性、语法标记或词形成及词汇学习的描述，并显示例证。作者在印度语言 Kannada 和 Marathi 上应用此方法，以评估其实用性，并邀请北美的语言教育家对这些语言进行手动评估。教师们认为这些材料有趣，可以用作自己的课程准备或学习者评估的参考资料。

    Jun, 2022

  • L2 语言学习的自动提取语法概念的教师感知

    通过自动发现和可视化语法描述，本研究旨在帮助语言教育专家自动创建材料，以便教授印度语言中的语法和语义知识。

    Oct, 2023

  • 使用监督学习发现潜在结构的句法类型学细粒度预测

    本研究展示了如何通过部分语音序列对一个新语言的基本语序事实进行预测，并且通过大量的合成语言训练数据，将这个通常被认为是无监督学习的问题转化成了有监督学习，从而成功地识别了一个语言的 POS 序列的表面特征（手工特征或神经特征）与其更深层次的结构（潜在树）相关性。该系统在该任务上表现出色，比语法归纳基线高出一个很大的优势。

    Oct, 2017

  • 自动提取控制形态一致性的规则

    本文以 Universal Dependencies 项目为例，通过开发一种自动化框架实现从原始文本中提取语法规范，并聚焦于提取描述协议的规则。我们使用跨语言转移的方法，即使在语言专家的注释不可获得的情况下，也能提取出几乎等同于大量黄金标准注释数据所创建的语法规范。

    Oct, 2020

  • 从大型（未标注）语料库中学习语言

    本研究介绍了一种新的全自动、无监督的从大型文本语料库中提取依赖语法和相关语法到语义关系映射的方法，若成功，该方法将使得直接从大型未注释语料库中挖掘出用于自然语言理解和生成的所有信息成为可能。

    Jan, 2014

  • 一个高阶语义依存解析器

    本研究应用图神经网络（GNN）构建更高阶语义依存解析器，通过多个 GNN 层的聚合获得更高阶信息，实现近似推理，实现在 SemEval 2015 任务 18 英语数据集上超越先前最先进的解析器。

    Jan, 2022

  • LS-Tree: 数据为语言时的模型解释

    该研究通过分析语法结构提出了基于最小二乘法的重要性评分方法，以实现对训练的分类模型进行解释，并建立了这些重要性评分的公理化特征，发展了一种合理的检测和量化句子中单词之间交互的方法，证明了该方法在多种语言模型的可解释性和诊断中的作用。

    Feb, 2019

  • 使用语法归纳寻找数据集快捷方式

    本文提出使用概率语法学习发掘 NLP 数据集中的 shortcut，同时也展示这些 features 能够帮助分类器提高最坏组的准确性。

    Oct, 2022

  • 对数百种语言进行句法规律分类

    本文介绍了用于扩展语言资源的分类方法，比较了 WALS 的六个句法规则在 325 种语言中的分类效果。我们发现在使用 propagating 大多数标签的方法中，结合形态学和语言特征的逻辑回归模型的分类效果最好。

    Mar, 2016