神经AMR：用于AMR解析与生成的序列到序列模型
计算与语言
2017-08-21 v3
摘要
序列到序列模型在广泛的应用中展现出强劲性能。然而，由于标注数据相对有限以及AMR图的非序列性质，其在利用抽象语义表示(AMR)解析和生成文本方面的应用受到限制。我们提出了一种新颖的训练流程，可利用数百万未标注句子和对AMR图的细致预处理来消除这一限制。对于AMR解析，我们的模型取得了62.1 SMATCH的竞争性结果，这是在不显著使用外部语义资源情况下报告的最佳分数。对于AMR生成，我们的模型确立了33.8 BLEU的新最优性能。我们给出了大量的消融与定性分析，包括有力证据表明基于序列的AMR模型对图到序列转换的顺序变化具有鲁棒性。
引用
@article{arxiv.1704.08381,
title = {Neural AMR: Sequence-to-Sequence Models for Parsing and Generation},
author = {Ioannis Konstas and Srinivasan Iyer and Mark Yatskar and Yejin Choi and Luke Zettlemoyer},
journal= {arXiv preprint arXiv:1704.08381},
year = {2017}
}
备注
Accepted in ACL 2017