面向日语述谓论元结构分析的多任务学习
计算与语言
2019-04-05 v1
摘要
事件名词是一种具有类似于述谓论元结构的名词。近期的工作，包括那些被视为最先进的工作，忽略事件名词或构建单一模型来同时解决日语述谓论元结构分析（PASA）和事件名词论元结构分析（ENASA）。然而，由于述谓与事件名词之间存在交互，仅以述谓为目标是不够的。为解决此问题，我们提出一种用于PASA和ENASA的多任务学习方法。我们的多任务模型通过共享各任务的知识，相比单任务模型提升了两项任务的性能。此外，在PASA中，我们的模型在NAIST文本语料库上的总体F1分数达到了最先进结果。并且，这是首次在ENASA中使用神经网络的工作。
引用
@article{arxiv.1904.02244,
title = {Multi-task Learning for Japanese Predicate Argument Structure Analysis},
author = {Hikaru Omori and Mamoru Komachi},
journal= {arXiv preprint arXiv:1904.02244},
year = {2019}
}
备注
10 pages; NAACL 2019