使用 LSTM 神经网络对显式篇章关系进行论元标注
计算与语言
2017-09-08 v2
摘要
显式篇章关系的论元标注是一项具有挑战性的任务。SOTA 系统的 F-measure 略高于 55%，但需要人工设计的特征。在本文中，我们提出了一种基于长短期记忆（LSTM）的论元标注模型。我们测试了模型的多种配置。使用 PDTB 数据集，我们的最佳模型在没有任何特征工程的情况下达到了 23.05% 的 F1 measure。这显著高于 SOTA RNN 方法达到的 20.52%，但显著低于基于特征的 SOTA 系统。另一方面，由于我们的方法仅从原始数据集中学习，因此更广泛地适用于多种文本体裁和语言。
引用
@article{arxiv.1708.03425,
title = {Argument Labeling of Explicit Discourse Relations using LSTM Neural Networks},
author = {Sohail Hooda and Leila Kosseim},
journal= {arXiv preprint arXiv:1708.03425},
year = {2017}
}
备注
Proceedings of Recent Advances in Natural Language Processing (RANLP 2017), pp. 309-315, 4-6 September, Varna, Bulgaria