深度限定是有效的：无监督 PCFG 归纳的改进与评估
计算与语言
2018-09-11 v1
摘要
近来已有若干尝试通过限定归纳模型的递归复杂度来提升语法归纳系统的准确率（Ponvert 等，2011；Noji 和 Johnson，2016；Shain 等，2016；Jin 等，2018）。现代深度限定语法归纳器已被证明比早期无界 PCFG 归纳器更准确，但这一技术从未在同一系统内与无界归纳进行比较，部分原因是大多数先前的深度限定模型围绕序列模型构建，其复杂度随最大允许深度呈指数增长。本工作改为在基于图表的贝叶斯 PCFG 归纳器（Johnson 等，2007b）中应用深度限定，其中限定可开启或关闭，然后对有界和无界两种情况采样树。结果表明，深度限定确实在限制归纳器搜索空间从而提升所得解析模型的准确率方面显著有效。此外，在英语、汉语和德语上的解析结果表明，这一采用新推断技术的有界模型能够比最先进的基于成分的语法归纳模型更准确地生成解析树，或与之具有竞争力。
引用
@article{arxiv.1809.03112,
title = {Depth-bounding is effective: Improvements and evaluation of unsupervised PCFG induction},
author = {Lifeng Jin and Finale Doshi-Velez and Timothy Miller and William Schuler and Lane Schwartz},
journal= {arXiv preprint arXiv:1809.03112},
year = {2018}
}
备注
EMNLP 2018