基于解释学习的数据导向解析

本文提出了一种关于基于解释学习的自然语言解析的新视角。与其使用基于解释学习来通过推断新解析器对解析器进行特化，本文建议使用基于解释学习来仅部分地降低歧义。该方法包含一个用于学习部分解析器的基于解释学习算法，以及一个将部分解析器与现有完整解析器相结合的解析算法。学习到的部分解析器可实现为有限状态转换器级联（Cascades of Finite State Transducers, CFSTs），高效地识别并组合成分，禁止虚假的过度生成。该解析算法将学习到的部分解析器与给定的完整解析器相结合，使得完整解析器的作用仅限于组合部分解析器识别出的成分，并识别输入句子中未被识别的部分。除了在消歧之前减少解析空间外，该方法还提供了一种改进现有从树库学习随机文法的消歧模型的途径。我们使用初步实现展示了令人鼓舞的实证结果：解析空间大幅减少，覆盖率损失极小。消歧模型加速增益通过与DOP模型的实验得到了例证。