用于AMR到文本生成的轻量级动态图卷积网络
计算与语言
2020-10-12 v1
摘要
AMR到文本生成用于将抽象语义表示结构（AMR）转写为文本。该任务的一个关键挑战是高效学习有效的图表示。此前，图卷积网络（GCNs）被用于编码输入AMR，然而普通GCN无法捕捉非局部信息，且遵循局部（一阶）信息聚合方案。为解决这些问题，需要更大更深的GCN模型来捕捉更复杂的相互作用。本文中，我们引入一种动态融合机制，提出轻量级动态图卷积网络（LDGCNs），通过综合输入图中的高阶信息来捕捉更丰富的非局部相互作用。我们进一步基于分组图卷积与权重绑定卷积开发了两种新颖的节省参数策略，以降低内存占用与模型复杂度。借助这些策略，我们得以用更少的参数训练模型，同时保持模型容量。实验表明，在AMR到文本生成的两个基准数据集上，LDGCNs以显著更少的参数优于最先进模型。
引用
@article{arxiv.2010.04383,
title = {Lightweight, Dynamic Graph Convolutional Networks for AMR-to-Text Generation},
author = {Yan Zhang and Zhijiang Guo and Zhiyang Teng and Wei Lu and Shay B. Cohen and Zuozhu Liu and Lidong Bing},
journal= {arXiv preprint arXiv:2010.04383},
year = {2020}
}
备注
Accepted to EMNLP 2020, long paper