面向 AMR 解析的图分割与对齐的可微松弛方法
计算与语言
2022-10-26 v2 机器学习
摘要
抽象意义表示（AMR）是一种广覆盖的语义形式体系，将句子含义表示为有向无环图。为了训练大多数 AMR 解析器，需要将图分割为子图并将每个子图与句子中的词对齐；这通常在前处理阶段依赖手工规则完成。相比之下，我们将对齐和分割都视为模型中的潜变量，并将其作为端到端训练的一部分进行推导。由于对结构化潜变量进行边际化不可行，我们采用了变分自编码框架。为确保端到端可微优化，我们引入了分割与对齐问题的可微松弛。我们观察到，推导分割相比使用“贪心”分割启发式方法带来了显著提升。我们方法的性能也接近依赖于 \citet{lyu-titov-2018-amr} 分割规则的模型，这些规则是为处理个别 AMR 结构而手工设计的。
引用
@article{arxiv.2010.12676,
title = {A Differentiable Relaxation of Graph Segmentation and Alignment for AMR Parsing},
author = {Chunchuan Lyu and Shay B. Cohen and Ivan Titov},
journal= {arXiv preprint arXiv:2010.12676},
year = {2022}
}