用于AMR到文本生成的结构化神经编码器
计算与语言
2019-05-22 v2
摘要
AMR到文本生成是近期引入NLP社区的一个问题，其目标是从抽象意义表示（AMR）图生成句子。序列到序列模型可通过将AMR图转换为字符串用于此目的。直接处理图来解决该问题需要使用图到序列模型，将AMR图编码为向量表示。这种编码过去已被证明是有益的，并且与顺序编码不同，它允许我们显式捕获AMR图中的重入结构。我们通过比较图编码器与未保留重入结构的树编码器，研究了重入（具有多个父节点的节点）对AMR到文本生成的影响程度。我们表明，对重入和长距离依赖处理的改进有助于图编码器获得更高的总体分数。我们的最佳模型在LDC2015E86上取得24.40 BLEU，超越前沿水平1.1分；在LDC2017T10上取得24.54 BLEU，超越前沿水平1.24分。
引用
@article{arxiv.1903.11410,
title = {Structural Neural Encoders for AMR-to-text Generation},
author = {Marco Damonte and Shay B. Cohen},
journal= {arXiv preprint arXiv:1903.11410},
year = {2019}
}
备注
Proceedings of NAACL 2019