基于最小特征集的基于转移的依存句法分析快速（更快速）精确解码与全局训练
计算与语言
2017-09-01 v1
摘要
我们首先提出了一个用于基于转移的依存句法分析的最小特征集，延续了 Kiperwasser 和 Goldberg (2016a) 以及 Cross 和 Huang (2016a) 近期开始的使用双向 LSTM 特征的趋势。我们将最小特征集植入 Huang 和 Sagae (2010) 以及 Kuhlmann 等人 (2011) 的动态规划框架中，从而首次实现了用于 arc-hybrid 和 arc-eager 转移系统的最坏情况 O(n^3) 精确解码器。利用我们的最小特征，我们还提出了 O(n^3) 全局训练方法。最后，使用包含我们新解析器的集成方法，我们在中文树库 (Chinese Treebank) 上取得了（据我们所知）已报道的最佳无标号附着率 (unlabeled attachment score)，并在英文 Penn 树库上取得了“同类中第二佳”的结果。
引用
@article{arxiv.1708.09403,
title = {Fast(er) Exact Decoding and Global Training for Transition-Based Dependency Parsing via a Minimal Feature Set},
author = {Tianze Shi and Liang Huang and Lillian Lee},
journal= {arXiv preprint arXiv:1708.09403},
year = {2017}
}
备注
Proceedings of EMNLP, 2017. 12 pages