关键词universal dependencies
搜索结果 - 36
- 关于日语单词的定义
本研究讨论了当前 Universal Dependencies 在日语依存句法分析中使用 Short Unit Words 作为基础单元的问题,提出其并非传统意义上的句法单词,探讨采用其作为标注准则的成本和收益。
- ACL句法和语义表征中的内容差异
本文探讨句法分析在语义分析中的作用,并以 Universal Dependencies 和 UCCA 为案例进行比较研究。研究发现,两种分析方案的显著差异主要集中在情景场景与非情景场景的区分、主从关系与参与关系的区分、多词语表达式的处理、以 - 一般化的分解:对通用、习惯和情节陈述的模型
本文提出了一种新的语义框架,用于建模泛化语言表达,利用该框架构建了一个包含所有通用依赖英语 Web Treebank 的数据集,并使用该数据集来探究预测泛化表达所需的信息以提高模型的效能,包括基于类型和基于令牌的信息、手工特征,以及静态 ( - EMNLP使用轻量级前馈神经网络的基于转移的句法分析
本文研究在保证依存分析精度不受影响的情况下,如何去除嵌入式特征和减小其规模,以构建适用于多种不同语言的轻量级解析器,并在 Universal Dependencies 数据集上进行了实验。实验证明,对于多数树库而言,可以去除 grand-d - 通用依赖和通用形态的融合
研究对比了 Universal Dependencies 和 Universal Morphology 计划,通过提出一种从 Universal Dependencies v2 特征映射到 UniMorph 结构的确定性映射,从而消除了两个 - 跨语言否定范围检测的神经网络
本文研究了如何使用跨语言的单词嵌入或通用依存关系,在中文数据集上测试神经模型以检测否定范围,并发现即使在单语环境中,建模语法仍然很有帮助,然而跨语言单词嵌入的帮助相对较小,分析了这一任务仍然存在困难的情况。
- MM深度上下文化词向量、集成和树库连接:迈向更好的 UD 句法分析
本文描述了我们的系统(HIT-SCIR),该系统提交给 CoNLL 2018 共享任务,涉及从原始文本到通用依赖的多语言解析。我们基于斯坦福的获胜系统进行提交和进行了两个有效的扩展:1)将深度上下文化词嵌入到词性标记器和解析器中;2)集合使 - 通用词语分割:实现与解释
本篇论文介绍了一种序列标注框架,并将其应用于具有不同书写系统和类型特征的多种语言的单词分割,结果表明,单词分割的准确性与单词边界标记正相关并与非分割术语数量负相关。在此基础上,设计了一套小的语言特定设置,并基于 Universal Depe - ACL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 T - MMNegBio:一种用于放射学报告中否定和不确定性检测的高性能工具
提出了一种新算法 NegBio,利用通用依赖模式识别出放射学报告中否定和不确定的发现,与现有技术相比具有更高的准确性。
- 联合词性标注和基于图结构的依存句法分析的新型神经网络模型
本研究提出了一种新型的神经网络模型,该模型可以同时学习 POS 标记和基于图的依赖解析。该模型使用双向 LSTM 来学习两个任务共享的特征表示,从而解决了特征工程问题。该模型在 19 种语言的通用依赖关系项目上进行了广泛的实验,结果表明我们 - ACL携手合作:利用单语树库解析混合代码数据
本文提出了一种有效且资源占用较少的策略来解析混合编码数据,利用现有的单一语言标注资源进行训练,相比专业领域的方法,这些方法可以取得显着更好的结果。同时,我们还提供了一个包含 450 个印地文和英文编码混合推文数据集及其通用依存分析标注结果, - MM利用通用依存关系生成带有否定范围的逻辑语句
通过 Universal Dependencies 标记 negation scope 的能力,实现 UDepLambda 和 higher-order type theory 结合,处理代表否定、全称量词等复杂语义现象。初步实现针对英语的 - EMNLP通用语义解析
UDepLambda 是一个语义接口,它将自然语言映射到逻辑形式,可以处理依存图,并在自然语言理解中表现出色,对于多语言问题回答有很好的性能。
- ACL无需训练的通用依存关系分析
提出了 UDP,这是一种基于 PageRank 算法的无训练的解析器,可用作 Universal Dependencies 的跨语言解析的基准,具有鲁棒性和很少的参数。
- 堆栈传播:用于语法的改进表示学习
使用 POS 标签作为学习表示的正则化器,提出了一种称为 “stack-propagation” 的学习模型,该模型可以应用于依赖分析和标注,其测试结果比最先进的基于图形的方法更加准确。