論文の概要: Dependency Parsing as MRC-based Span-Span Prediction

• arxiv url: http://arxiv.org/abs/2105.07654v1
• Date: Mon, 17 May 2021 08:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-19 00:10:39.013063
• Title: Dependency Parsing as MRC-based Span-Span Prediction
• Title（参考訳）: MRCに基づくSpan-Span予測としての依存性解析
• Authors: Leilei Gan, Yuxian Meng, Kun Kuang, Xiaofei Sun, Chun Fan, Fei Wu and Jiwei Li
• Abstract要約: 依存関係解析のための高階メソッドは、依存ツリーのエッジが単語レベルではなくテキストスパン/サブツリーレベルで構築されるべきという問題に部分的には、完全には対処できない。 本稿では,この問題に対処するための新しい依存関係解析手法を提案する。
• 参考スコア（独自算出の注目度）: 29.956515394820673
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Higher-order methods for dependency parsing can partially but not fully addresses the issue that edges in dependency tree should be constructed at the text span/subtree level rather than word level. % This shortcoming can cause an incorrect span covered the corresponding tree rooted at a certain word though the word is correctly linked to its head. In this paper, we propose a new method for dependency parsing to address this issue. The proposed method constructs dependency trees by directly modeling span-span (in other words, subtree-subtree) relations. It consists of two modules: the {\it text span proposal module} which proposes candidate text spans, each of which represents a subtree in the dependency tree denoted by (root, start, end); and the {\it span linking module}, which constructs links between proposed spans. We use the machine reading comprehension (MRC) framework as the backbone to formalize the span linking module in an MRC setup, where one span is used as a query to extract the text span/subtree it should be linked to. The proposed method comes with the following merits: (1) it addresses the fundamental problem that edges in a dependency tree should be constructed between subtrees; (2) the MRC framework allows the method to retrieve missing spans in the span proposal stage, which leads to higher recall for eligible spans. Extensive experiments on the PTB, CTB and Universal Dependencies (UD) benchmarks demonstrate the effectiveness of the proposed method. We are able to achieve new SOTA performances on PTB and UD benchmarks, and competitive performances to previous SOTA models on the CTB dataset. Code is available at https://github.com/ShannonAI/mrc-for-dependency-parsing.
• Abstract（参考訳）: 依存関係解析のための高階メソッドは部分的には対処できるが、依存ツリーのエッジが単語レベルではなくテキストスパン/サブツリーレベルで構築されるべき問題に完全には対処できない。 % この欠点は、単語が頭と正しくリンクされているにもかかわらず、ある単語に根ざした対応する木を覆う誤ったスパンを引き起こす可能性がある。 本稿では,この問題に対処するための新しい依存関係解析手法を提案する。 提案手法は,スパンとサブツリーの関係を直接モデル化することによって依存性木を構築する。 候補テキストスパンを提案する "it text span proposal module} と,提案されているスパン間のリンクを構成する "it span linking module} の2つのモジュールで構成されている。 我々は,MRCセットアップでスパンリンクモジュールを形式化するために,マシン読み取り理解(MRC)フレームワークをバックボーンとして使用し,リンクすべきテキストスパン/サブツリーを抽出するクエリとしてスパンを使用する。 提案手法は,(1)依存関係ツリー内のエッジをサブツリー間で構築する,という基本的な問題に対処する,(2) MRCフレームワークは,提案段階において欠落したスパンを検索可能にすることにより,適用可能なスパンをリコールする。 PTB, CTBおよびUniversal Dependencies (UD) ベンチマークの大規模な実験により, 提案手法の有効性が示された。 PTBおよびUDベンチマークで新しいSOTA性能を達成することができ、CTBデータセットで以前のSOTAモデルと競合する性能が得られる。 コードはhttps://github.com/ShannonAI/mrc-for-dependency-parsingで入手できる。

関連論文リスト

• Structured Dialogue Discourse Parsing [79.37200787463917]
  談話解析は、多人数会話の内部構造を明らかにすることを目的としている。 本稿では,符号化と復号化という2つの観点から,従来の作業を改善する原理的手法を提案する。 実験の結果,本手法は,STACでは2.3,Mollweniでは1.5,先行モデルでは2.3を上回った。
  論文  参考訳（メタデータ） (2023-06-26T22:51:01Z)
• Incorporating Constituent Syntax for Coreference Resolution [50.71868417008133]
  本稿では,構成構文構造をグラフベースで組み込む手法を提案する。 また、高次近傍情報を利用して構成木に富んだ構造をエンコードすることも検討する。 on the English and Chinese parts of OntoNotes 5.0 benchmark shows that our proposed model beats a strong baseline or a new-of-the-art performance。
  論文  参考訳（メタデータ） (2022-02-22T07:40:42Z)
• Combining (second-order) graph-based and headed span-based projective dependency parsing [24.337440797369702]
  citetyang2021headedは、先頭のスパンベースの方法を提案する。どちらもすべての可能な木をスコアし、世界で最も高いスコア木を見つける。 本稿では,これらの2種類の手法を組み合わせて,共同推論のための動的プログラミングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-08-12T16:42:00Z)
• Headed Span-Based Projective Dependency Parsing [24.337440797369702]
  本稿では,プロジェクティブ依存関係解析のための階層型スパンベース手法を提案する。 我々はニューラルネットワークを使って、グローバルトレーニングと正確な推論を可能にする、新しい$O(n3)$の動的プログラミングアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2021-08-10T15:27:47Z)
• RST Parsing from Scratch [14.548146390081778]
  本稿では、RST(Rhetorical Structure Theory)フレームワークにおいて、文書レベルの言論解析の新しいエンドツーエンドの定式化を導入する。 本フレームワークは,会話のセグメンテーションを前提条件として必要とせず,スクラッチからの談話解析を容易にする。 我々の統合構文解析モデルでは、ビームサーチを用いて、最高の木構造を高速な木々の空間を探索することでデコードする。
  論文  参考訳（メタデータ） (2021-05-23T06:19:38Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)
• Please Mind the Root: Decoding Arborescences for Dependency Parsing [67.71280539312536]
  我々はUniversal Dependency Treebankから多くの言語における最先端の出力を分析する。 最悪の制約違反率は24%です。
  論文  参考訳（メタデータ） (2020-10-06T08:31:14Z)
• Span-based Semantic Parsing for Compositional Generalization [53.24255235340056]
  SpanBasedSPは入力発話上のスパンツリーを予測し、部分的なプログラムが入力内のスパンをどのように構成するかを明示的に符号化する。 GeoQuery、SCAN、CLOSUREでは、SpanBasedSPはランダムスプリットの強いseq2seqベースラインと似ているが、構成一般化を必要とするスプリットのベースラインに比べて劇的に性能が向上する。
  論文  参考訳（メタデータ） (2020-09-13T16:42:18Z)
• Graph Structured Network for Image-Text Matching [127.68148793548116]
  微粒化対応学習のためのグラフ構造化マッチングネットワークを提案する。 GSMNは、明示的にオブジェクト、関係、属性を構造化されたフレーズとしてモデル化する。 実験により、GSMNはベンチマークで最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2020-04-01T08:20:42Z)

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。