- EMNLPAMR 解析远未解决:GrAPES,AMR 解析评估套件
我们提出了 Granular AMR Parsing Evaluation Suite (GrAPES),这是一个用于 Abstract Meaning Representation (AMR) 解析的挑战集合,伴随着相应的评估指标。我们的 - EMNLP引导逆向图线性化的 AMR 解析
提出一种新的逆序图线性化(RGL)增强框架来解决序列到序列方法在解码过程中面临的结构损失积累问题,并通过两次传递的自蒸馏机制将逆序线性化引入原始 AMR 解析器,提高模型性能并在 AMR 2.0 和 AMR 3.0 数据集上取得了显著优势。
- ACLAMRs 统合!使用自回归模型学习进行 AMR 解析统合
本文研究了 AMR 解析的现状和问题,提出了两种基于 Transformer 模型的集成策略来解决结构约束问题,并强调了计算所有可能预测的 SMATCH 得分的需求。
- 指导微调预训练语言模型的 AMR 解析
本文旨在通过 FLAN-T5 对 AMR 解析进行微调,研究结果表明,我们的模型表现优异并在多个任务上创造了新的最先进水平。
- 严格的广度优先 AMR 解析
本文提出了一种基于广度优先策略的 AMR 语义图自动解析的新架构,通过引入一个聚焦父节点顶点来引导解析,并在句子和图形编码器方面进行了一些改进,从而在 AMR 1.0 和 2.0 数据集上获得了更好的性能。
- EMNLP跨领域 AMR 解析泛化
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。
- 更好的 Smatch = 更好的解析器?AMR 评估不再那么简单
本研究对两种 AMR 解析器进行了分析,将其与 Smatch 和其他 AMR 指标以及人类质量评估进行了比较,发现高 Smatch 分数不一定表示一致的解析质量,并且经常出现结构上小的、但语义上不可接受的错误,从而建议使用宏统计、其他指标和 - ACLATP: AMR 化,再解析!利用伪 AMR 增强 AMR 解析
通过引入更好的语义或形式相关的辅助任务,我们可以更好地提升抽象意义表示(AMR)解析,包括语义角色标注(SRL)和依存解析(DP)。同时,中间任务学习是一种比多任务学习更好的方式,可以更好地提高 AMR 解析的性能。我们的实验结果显示,我们 - 西班牙语抽象意义表征:一般语料库的标注
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。
- ACLAMR 解析和生成的图形预训练
本文研究了利用图形自监督训练来提高 PLMs 模型在 AMR 图结构上的结构意识; 它同时介绍了两种图形自编码策略,四个任务以及一个统一的框架来缩小预训练和微调任务之间的差距。实验结果表明了这种方法在 AMR 分析和 AMR-to-text - 最大贝叶斯 Smatch 集成蒸馏用于 AMR 解析
本研究提出了一种结合 Smatch-based 集成技术和集成蒸馏的方法,克服银标注数据减少的问题,并将英语解析器的性能推向了新的水平,并在中文、德语、意大利语和西班牙语的跨语言 AMR 分析方面取得了新的最高水平。该方法对于 QALD-9 - EMNLP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。
- 基于图预测的 AMR 解析结果集成
本研究旨在解决图形预测的集成问题,作者提出了一个高效的启发式算法来近似最优解,在 AMR 解析问题中实验结果表明该算法比单个模型更加精准且更具鲁棒性。
- ACLAMR 解析的分层课程学习
本研究提出了一种基于分层课程学习的框架,其中包括结构级别和实例级别课程,以弥合经过预训练的序列到序列模型的平面训练目标和具有分层结构的抽象意义表示之间的差距,从而证实了这种框架在 AMR 序列解析中的有效性。
- 跨语言 AMR 解析的强基线
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。
- EMNLP用自學方法突破 AMR 分析的極限
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 - ACL基于图序列迭代推理的 AMR 解析
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 - ACLSemBleu: AMR 解析评估的鲁棒度量
我们提出了一种名为 SEMBLEU 的强健指标来评估 AMR 解析准确性,并解决了搜索错误问题,该指标在局部和非局部的对应方面都得到了考虑,在句子和语料库级别的初步实验表明,SEMBLEU 与人类判断具有更高的一致性。
- EMNLP由基于转移的解析器调整的 AMR 对齐器
本文提出了一种基于转移的 AMR 解析器系统,该系统通过优化对齐机制和过渡系统,可直接将句子解析为对应的 AMR 图,并获得了更高的对齐 F1 分数和 Smatch F1 分数。
- ACL用潜在对齐将 AMR 解析作为图形预测
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。