图到树神经网络用于学习结构化输入输出翻译及其在语义解析与数学应用题中的应用
计算与语言
2020-10-07 v2 机器学习
机器学习
摘要
著名的 Seq2Seq 技术及其众多变体在神经机器翻译、语义解析和数学应用题求解等许多任务上取得了优异性能。然而，这些模型要么仅将输入对象视为序列而忽略编码的重要结构信息，要么简单地将输出对象当作序列输出而非结构对象进行解码。本文提出一种新颖的图到树神经网络，即 Graph2Tree，由图编码器与层次化树解码器组成，可编码增广的图结构输入并解码树结构输出。具体地，我们考察了模型求解神经语义解析与数学应用题两个问题。大量实验表明，我们的 Graph2Tree 模型在这些任务上优于或匹敌其他 SOTA 模型。
引用
@article{arxiv.2004.13781,
title = {Graph-to-Tree Neural Networks for Learning Structured Input-Output Translation with Applications to Semantic Parsing and Math Word Problem},
author = {Shucheng Li and Lingfei Wu and Shiwei Feng and Fangli Xu and Fengyuan Xu and Sheng Zhong},
journal= {arXiv preprint arXiv:2004.13781},
year = {2020}
}
备注
Long Paper in EMNLP 2020. 12 pages including references