句法类型学的细粒度预测：用监督学习发现潜在结构
计算与语言
2017-10-12 v1
摘要
我们展示了如何仅凭词性序列语料库来预测一门新语言的基本语序事实。我们预测直接宾语跟随其动词的频率、形容词跟随其名词的频率，以及所有依存关系的方向性。此类类型学属性可能有助于语法归纳。虽然这类问题通常被视为无监督学习，但我们的创新之处在于将其视为监督学习，使用大量真实的合成语言作为训练数据。监督学习器必须识别出语言词性序列的表层特征（人工设计或神经特征），这些特征与该语言的深层结构（潜在树）相关联。在实验中，我们表明：1）给定一小组真实语言，向训练数据中添加许多合成语言是有帮助的。2）即使词性序列包含噪声，我们的系统也具有鲁棒性。3）我们的系统在此任务上大幅优于语法归纳基线。
引用
@article{arxiv.1710.03877,
title = {Fine-Grained Prediction of Syntactic Typology: Discovering Latent Structure with Supervised Learning},
author = {Dingquan Wang and Jason Eisner},
journal= {arXiv preprint arXiv:1710.03877},
year = {2017}
}
备注
16 pages, 5 figures