論文の概要: Semantic Role Labeling as Dependency Parsing: Exploring Latent Tree Structures Inside Arguments

• arxiv url: http://arxiv.org/abs/2110.06865v1
• Date: Wed, 13 Oct 2021 17:02:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-14 14:30:09.057302
• Title: Semantic Role Labeling as Dependency Parsing: Exploring Latent Tree Structures Inside Arguments
• Title（参考訳）: 依存性解析としてのセマンティクスロールラベリング:引数内の潜在木構造を探る
• Authors: Yu Zhang, Qingrong Xia, Shilin Zhou, Yong Jiang, Zhenghua Li, Guohong Fu, Min Zhang
• Abstract要約: SRLの最近の研究は、主にBIOベースとスパンベースという2つのラインに分かれている。 本稿では、SRLを依存性解析タスクに還元し、フラット引数を潜在サブツリーとみなす。 特に,木構造をスパンアウェアにするために,新規なスパン制約ツリーCRFモデルを用いて定式化を行う。
• 参考スコア（独自算出の注目度）: 33.95412952615206
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic role labeling is a fundamental yet challenging task in the NLP community. Recent works of SRL mainly fall into two lines:1) BIO-based and 2) span-based. Despite effectiveness, they share some intrinsic drawbacks of not explicitly considering internal argument structures, which may potentially hinder the model's expressiveness. To remedy this, we propose to reduce SRL to a dependency parsing task and regard the flat argument spans as latent subtrees. In particular, we equip our formulation with a novel span-constrained TreeCRF model to make tree structures span-aware, and further extend it to the second-order case. Experiments on CoNLL05 and CoNLL12 benchmarks reveal that the results of our methods outperform all previous works and achieve the state-of-the-art.
• Abstract（参考訳）: セマンティック・ロール・ラベリングはNLPコミュニティの基本的な課題である。 SRLの最近の研究は、主に2つの線に分かれている。 2)スパンベース。 有効性にもかかわらず、内部引数構造を明示的に考慮しないという本質的な欠点を共有しており、モデルの表現性を妨げる可能性がある。 これを解決するために、SRLを依存解析タスクに還元し、平坦な引数を潜在サブツリーとみなす。 特に,木構造をスパンアウェアにするために,スパン制約付きツリーCRFモデルを用いて定式化を行い,さらに2階に拡張する。 conll05 と conll12 ベンチマーク実験の結果は,これまでのすべての成果を上回っており,最先端の成果が得られている。

関連論文リスト

• Revisiting Structured Sentiment Analysis as Latent Dependency Graph Parsing [38.27437431585664]
  スパンの内部構造は無視されるため、スパンの境界トークンのみが関係予測やスパン認識に使用される。 長いスパンはSSAデータセットのかなりの割合を占めており、内部構造が無視されるという問題をさらに悪化させる。 本稿では,2段階解析手法を提案し,木CRFをアルゴリズム内部に制約を課し,遅延構造を明示的にモデル化する。
  論文  参考訳（メタデータ） (2024-07-05T18:18:50Z)
• SpaRC and SpaRP: Spatial Reasoning Characterization and Path Generation for Understanding Spatial Reasoning Capability of Large Language Models [70.01883340129204]
  空間推論は 生物学的と人工知能の両方において 重要な要素です 本稿では,現在最先端の大規模言語モデル (LLM) の空間的推論能力について包括的に検討する。
  論文  参考訳（メタデータ） (2024-06-07T01:06:34Z)
• Unsupervised Chunking with Hierarchical RNN [62.15060807493364]
  本稿では,非階層的手法で単語をグループ化する構文的タスクであるチャンキングに対する教師なしアプローチを紹介する。 本稿では,単語-チャンク・チャンク-文合成をモデル化した2層階層型階層型リカレントニューラルネットワーク(HRNN)を提案する。 CoNLL-2000データセットの実験では、既存の教師なし手法よりも顕著な改善が見られ、フレーズF1スコアが最大6ポイント向上した。
  論文  参考訳（メタデータ） (2023-09-10T02:55:12Z)
• Topic-driven Distant Supervision Framework for Macro-level Discourse Parsing [72.14449502499535]
  テキストの内部修辞構造を解析する作業は、自然言語処理において難しい問題である。 近年のニューラルモデルの発展にもかかわらず、トレーニングのための大規模で高品質なコーパスの欠如は大きな障害となっている。 近年の研究では、遠方の監督を用いてこの制限を克服しようと試みている。
  論文  参考訳（メタデータ） (2023-05-23T07:13:51Z)
• Semantic Role Labeling Meets Definition Modeling: Using Natural Language to Describe Predicate-Argument Structures [104.32063681736349]
  本稿では,離散ラベルの代わりに自然言語定義を用いて述語-代名詞構造を記述する手法を提案する。 PropBankスタイルおよびFrameNetスタイル、依存性ベースおよびスパンベースSRLに関する実験と分析は、解釈可能な出力を持つフレキシブルモデルが必ずしも性能を犠牲にしないことを示す。
  論文  参考訳（メタデータ） (2022-12-02T11:19:16Z)
• Neural Transition System for End-to-End Opinion Role Labeling [13.444895891262844]
  統一世論役割ラベルリング(ORL)は、意見保有者目標の可能なすべての意見構造を1ショットで検出することを目的としている。 我々は、遷移アーキテクチャを再考し、ポインタネットワーク(PointNet)で拡張することで、新しいソリューションを提案する。 このフレームワークは、線形時間複雑性におけるすべての意見構造を解析し、PointNetとの任意の項長の制限を突破する。
  論文  参考訳（メタデータ） (2021-10-05T12:45:59Z)
• Hierarchical Multitask Learning with Dependency Parsing for Japanese Semantic Role Labeling Improves Performance of Argument Identification [0.0]
  本稿では,依存関係解析(DP)を用いた階層型マルチタスク学習手法を提案する。 また、引数識別と引数分類を同時に行う共同モデルによる実験も実施しています。
  論文  参考訳（メタデータ） (2021-01-15T11:41:20Z)
• High-order Semantic Role Labeling [86.29371274587146]
  本稿では,ニューラルセマンティックロールラベリングモデルのための高階グラフ構造を提案する。 これにより、モデルは孤立述語-引数対だけでなく、述語-引数対間の相互作用も明示的に考慮することができる。 CoNLL-2009ベンチマークの7つの言語に対する実験結果から、高次構造学習技術は強力なSRLモデルに有益であることが示された。
  論文  参考訳（メタデータ） (2020-10-09T15:33:54Z)

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。