利用自学习推进 AMR 解析的极限
计算与语言
2020-10-22 v1
摘要
抽象意义表示（AMR）解析在过去两年中性能显著增长，这既得益于迁移学习的影响，也得益于专为 AMR 开发的新颖架构。与此同时，自学习技术帮助推动了其他自然语言处理应用（如机器翻译或问答）的性能边界。在本文中，我们探索了应用已训练模型来提升 AMR 解析性能的不同方式，包括合成文本与 AMR 标注的生成，以及动作 oracle 的精炼。我们表明，无需任何额外人工标注，这些技术改进了一个已然高性能的解析器，并在 AMR 1.0 和 AMR 2.0 上取得了最先进（SOTA）结果。
引用
@article{arxiv.2010.10673,
title = {Pushing the Limits of AMR Parsing with Self-Learning},
author = {Young-Suk Lee and Ramon Fernandez Astudillo and Tahira Naseem and Revanth Gangi Reddy and Radu Florian and Salim Roukos},
journal= {arXiv preprint arXiv:2010.10673},
year = {2020}
}
备注
Accepted to Findings of EMNLP2020, open review https://openreview.net/forum?id=4q5-oJgLiO, code https://github.com/IBM/transition-amr-parser