論文の概要: Parsing Indonesian Sentence into Abstract Meaning Representation using Machine Learning Approach

• arxiv url: http://arxiv.org/abs/2103.03730v1
• Date: Fri, 5 Mar 2021 15:01:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-09 07:20:52.043790
• Title: Parsing Indonesian Sentence into Abstract Meaning Representation using Machine Learning Approach
• Title（参考訳）: 機械学習によるインドネシア語文の抽象意味表現への解析
• Authors: Adylan Roaffa Ilmy and Masayu Leylia Khodra
• Abstract要約: インドネシア語の文を機械学習を用いて解析するシステムを開発した。 このシステムは,ペア予測,ラベル予測,グラフ構築という3つのステップからなる。 本モデルでは, SMATCHスコア0.820を達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Abstract Meaning Representation (AMR) provides many information of a sentence such as semantic relations, coreferences, and named entity relation in one representation. However, research on AMR parsing for Indonesian sentence is fairly limited. In this paper, we develop a system that aims to parse an Indonesian sentence using a machine learning approach. Based on Zhang et al. work, our system consists of three steps: pair prediction, label prediction, and graph construction. Pair prediction uses dependency parsing component to get the edges between the words for the AMR. The result of pair prediction is passed to the label prediction process which used a supervised learning algorithm to predict the label between the edges of the AMR. We used simple sentence dataset that is gathered from articles and news article sentences. Our model achieved the SMATCH score of 0.820 for simple sentence test data.
• Abstract（参考訳）: 抽象意味表現(AMR: Abstract Meaning Representation)は、意味関係、コアファレンス、名前付きエンティティ関係などの文の多くの情報を1つの表現で提供します。 しかし、インドネシア語文に対するAMR解析の研究は限定的である。 本稿では,インドネシア語の文を機械学習を用いて解析するシステムを開発した。 Zhangらに基づいて。 私たちのシステムは,ペア予測,ラベル予測,グラフ構築という3つのステップで構成されています。 ペア予測は依存性解析コンポーネントを使用して、AMRのワード間のエッジを取得する。 ペア予測の結果は、教師付き学習アルゴリズムを使用してAMRの端間のラベルを予測したラベル予測プロセスに渡される。 記事やニュース記事の文章から収集した簡易文データセットを用いた。 本モデルでは, SMATCHスコア0.820を達成した。

関連論文リスト

• An AMR-based Link Prediction Approach for Document-level Event Argument Extraction [51.77733454436013]
  文書レベルのイベント調停抽出(文書レベルEAE)のための抽象的意味表現(AMR)を導入した最近の研究動向 本研究では,AEをAMRグラフ上のリンク予測問題として再検討する。 本稿では,より少ない情報量のサブグラフやエッジタイプを圧縮し,スパン情報を統合し,同じ文書内の事象をハイライトする新たなグラフ構造であるTalored AMR Graph(TAG)を提案する。
  論文  参考訳（メタデータ） (2023-05-30T16:07:48Z)
• Relational Sentence Embedding for Flexible Semantic Matching [86.21393054423355]
  文埋め込みの可能性を明らかにするための新しいパラダイムとして,文埋め込み(Sentence Embedding, RSE)を提案する。 RSEは文関係のモデル化に有効で柔軟性があり、一連の最先端の埋め込み手法より優れている。
  論文  参考訳（メタデータ） (2022-12-17T05:25:17Z)
• SBERT studies Meaning Representations: Decomposing Sentence Embeddings into Explainable AMR Meaning Features [22.8438857884398]
  非常に効果的な類似度メトリクスを作成しながら、評価の解釈可能な根拠を提供します。 まず、キーセマンティック・ファセットに対する文の類似性を測るAMRグラフメトリクスを選択します。 第二に、これらのメトリクスを用いてセマンティックな構造化文BERT埋め込みを誘導する。
  論文  参考訳（メタデータ） (2022-06-14T17:37:18Z)
• Auto-ABSA: Cross-Domain Aspect Detection and Sentiment Analysis Using Auxiliary Sentences [1.368483823700914]
  本研究では,感情予測を支援するために,文に含まれる側面を補助文として用いた手法を提案する。 1つ目はアスペクト検出であり、文が持つすべてのアスペクトを予測するためにマルチアスペクト検出モデルを使用する。 2つ目は、ドメイン外アスペクトベースの感情分析(ABSA)、ある種類のデータセットで感情分類モデルをトレーニングし、別の種類のデータセットでそれを検証することである。
  論文  参考訳（メタデータ） (2022-01-05T04:23:29Z)
• DocAMR: Multi-Sentence AMR Representation and Evaluation [19.229112468305267]
  統合グラフ表現を導出するための単純なアルゴリズムを導入し、過剰なマージによる情報損失の落とし穴や、アンダーマージによる一貫性の欠如を回避した。 また、AMRとコア参照分解システムを組み合わせたパイプラインアプローチを提案し、将来の研究の強力なベースラインを提供する。
  論文  参考訳（メタデータ） (2021-12-15T22:38:26Z)
• Ensembling Graph Predictions for AMR Parsing [28.625065956013778]
  多くの機械学習タスクでは、モデルはグラフのような構造データを予測するために訓練される。 本研究では,この問題を,グラフ予測の収集によって最も支持される最大のグラフのマイニングとして定式化する。 提案手法は、最先端のAMRの強度を組み合わせることで、5つの標準ベンチマークデータセットのどのモデルよりも精度の高い新しい予測を作成できることを示す。
  論文  参考訳（メタデータ） (2021-10-18T09:35:39Z)
• Making Better Use of Bilingual Information for Cross-Lingual AMR Parsing [88.08581016329398]
  概念の誤認は、英語のトークンとAMRの概念の関連性が高いためである、と我々は主張する。 モデルがより正確な概念を予測できるように、バイリンガル入力、すなわち翻訳されたテキストと非英語のテキストを導入します。
  論文  参考訳（メタデータ） (2021-06-09T05:14:54Z)
• A Differentiable Relaxation of Graph Segmentation and Alignment for AMR Parsing [75.36126971685034]
  我々は、アライメントとセグメンテーションをモデルの潜在変数として扱い、エンドツーエンドのトレーニングの一部としてそれらを誘導する。 また,AMRの個々の構造を扱うために手作りされたLyu2018AMRPAのセグメンテーションルールに依存するモデルにもアプローチした。
  論文  参考訳（メタデータ） (2020-10-23T21:22:50Z)
• Constructing interval variables via faceted Rasch measurement and multitask deep learning: a hate speech application [63.10266319378212]
  本稿では,教師付き深層学習と多面的ラッシュアイテム応答理論(IRT)構築手法を組み合わせることで,連続区間スペクトル上の複素変数を測定する手法を提案する。 われわれは、YouTube、Twitter、Redditから5万件のソーシャルメディアコメントを収集し、1万1000人の米国拠点のAmazon Mechanical Turkの労働者によってラベル付けされたデータセット上で、この新しい手法を実証した。
  論文  参考訳（メタデータ） (2020-09-22T02:15:05Z)
• Extractive Summarization as Text Matching [123.09816729675838]
  本稿では,ニューラル抽出要約システムの構築方法に関するパラダイムシフトを作成する。 抽出した要約タスクを意味テキストマッチング問題として定式化する。 我々はCNN/DailyMailの最先端抽出結果を新しいレベル(ROUGE-1の44.41)に推し進めた。
  論文  参考訳（メタデータ） (2020-04-19T08:27:57Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。