ATP：先 AMR 化再解析！利用伪 AMR 增强 AMR 解析
计算与语言
2022-04-21 v2 人工智能
摘要
由于抽象语义表示（AMR）隐式涉及复合语义标注，我们假设在语义或形式上相关的辅助任务能更好地增强 AMR 解析。我们发现：1）语义角色标注（SRL）和依存解析（DP）相较于其他任务（如机器翻译和摘要）在文本到 AMR 的转换中能带来更多性能增益，即便使用少得多的数据。2）为更契合 AMR，辅助任务的数据在训练前应恰当地“AMR 化”为伪 AMR。来自浅层解析任务的知识可通过结构变换更好地迁移到 AMR 解析。3）相较于多任务学习，中间任务学习是将辅助任务引入 AMR 解析的更好范式。从经验角度，我们提出了一种引入辅助任务以提升 AMR 解析的原则性方法。大量实验表明，我们的方法在不同基准上取得了新的最优（state-of-the-art）性能，尤其在拓扑相关分数上。
引用
@article{arxiv.2204.08875,
title = {ATP: AMRize Then Parse! Enhancing AMR Parsing with PseudoAMRs},
author = {Liang Chen and Peiyi Wang and Runxin Xu and Tianyu Liu and Zhifang Sui and Baobao Chang},
journal= {arXiv preprint arXiv:2204.08875},
year = {2022}
}
备注
NAACL 2022 Findings. Code and models are released at https://github.com/chenllliang/ATP