无表面特征的英汉隐式篇章关系分类神经网络模型
计算与语言
2016-06-08 v1
摘要
在自然语言文本中推断隐式篇章关系是篇章解析中最困难的子任务。表面特征能取得良好性能，但若无语义词典则不易应用于其他语言。此前的神经模型需要句法分析、表面特征或较小的标签集才能表现良好。本文中，我们提出基于前馈和长短期记忆（LSTM）架构且不含任何表面特征的神经网络模型。令人惊讶的是，尽管进行了充分调参，我们配置最佳的前馈架构在大多数情况下优于基于 LSTM 的模型。在各种细粒度标签集和跨语言设定下，我们的前馈模型始终优于或至少不逊于那些需要手工设计表面特征的系统。我们的模型提出了首个仿照中文篇章树库风格的神经中文篇章解析器，表明我们的结果具有跨语言有效性。
引用
@article{arxiv.1606.01990,
title = {Neural Network Models for Implicit Discourse Relation Classification in English and Chinese without Surface Features},
author = {Attapol T. Rutherford and Vera Demberg and Nianwen Xue},
journal= {arXiv preprint arXiv:1606.01990},
year = {2016}
}