基于抽象语义表示的无监督句法控制释义生成
计算与语言
2022-11-03 v1
摘要
句法控制释义生成近年来已成为一个新兴研究方向。大多数现有方法需要带标注的释义对用于训练，因此扩展到新领域代价高昂。另一方面，无监督方法不需要释义对，但在句法控制与生成释义质量方面表现相对较差。在本文中，我们证明利用抽象语义表示（AMR）可大幅提升无监督句法控制释义生成的性能。我们提出的模型 AMR 增强释义生成器（AMRPG）将输入句子的 AMR 图与成分句法分析分别编码为两个解耦的语义与句法嵌入。随后学习一个解码器从语义与句法嵌入重建输入句子。我们的实验表明，与现有无监督方法相比，AMRPG 在定量与定性上均生成更准确的句法控制释义。我们还证明 AMRPG 生成的释义可用于数据增强以提升 NLP 模型的鲁棒性。
引用
@article{arxiv.2211.00881,
title = {Unsupervised Syntactically Controlled Paraphrase Generation with Abstract Meaning Representations},
author = {Kuan-Hao Huang and Varun Iyer and Anoop Kumar and Sriram Venkatapathy and Kai-Wei Chang and Aram Galstyan},
journal= {arXiv preprint arXiv:2211.00881},
year = {2022}
}
备注
Paper accepted by EMNLP 2022 Findings. The first two authors contribute equally