基于跨表示学习的序列标注句法分析
计算与语言
2020-01-08 v3 机器学习
摘要
我们将句法分析作为序列标注用作一个通用框架,以在短语结构与依存句法抽象之间实现跨范式学习。为此,我们将该问题转化为多任务学习(MTL)。首先,我们表明将一种句法分析范式作为辅助损失加入,能持续地提升在另一范式上的性能。其次,我们探索了一种 MTL 序列标注模型,该模型能以几乎无性能和速度损耗的方式同时分析两种表示。各方面的结果表明,平均而言,带有辅助损失的 constituency 分析 MTL 模型比单任务模型高出 1.14 个 F1 点,dependency 分析高出 0.62 个 UAS 点。
引用
@article{arxiv.1907.01339,
title = {Sequence Labeling Parsing by Learning Across Representations},
author = {Michalina Strzyz and David Vilares and Carlos Gómez-Rodríguez},
journal= {arXiv preprint arXiv:1907.01339},
year = {2020}
}
备注
Proc. of the 57th Annual Meeting of the Association for Computational Linguistics (ACL 2019). Revised version after fixing evaluation bug