Semi-Supervised Semantic Dependency Parsing Using CRF Autoencoders
2020-07
会议录名称THE 58TH ANNUAL MEETING OF THE ASSOCIATION FOR COMPUTATIONAL LINGUISTICS (ACL 2020)
卷号Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics
页码6795–6805
发表状态已发表
DOI10.18653/v1/2020.acl-main.607
摘要

Semantic dependency parsing, which aims to find rich bi-lexical relationships, allows words to have multiple dependency heads, resulting in graph-structured representations. We propose an approach to semi-supervised learning of semantic dependency parsers based on the CRF autoencoder framework. Our encoder is a discriminative neural semantic dependency parser that predicts the latent parse graph of the input sentence. Our decoder is a generative neural model that reconstructs the input sentence conditioned on the latent parse graph. Our model is arc-factored and therefore parsing and learning are both tractable. Experiments show our model achieves significant and consistent improvement over the supervised baseline.

会议名称the 58th Annual Meeting of the Association for Computational Linguistics (ACL 2020)
URL查看原文
文献类型会议论文
条目标识符https://kms.shanghaitech.edu.cn/handle/2MSLDSTB/123992
专题信息科学与技术学院_硕士生
信息科学与技术学院_PI研究组_屠可伟组
信息科学与技术学院_博士生
通讯作者Tu, Kewei
作者单位
1.School of Information Science and Technology, Shanghaitech University
2.Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences
3.University of Chinese Academy of Sciences
4.Shanghai Engineering Research Center of Intelligent Vision and Imaging
5.Tokyo Institute of Technology
第一作者单位信息科学与技术学院
通讯作者单位信息科学与技术学院
第一作者的第一单位信息科学与技术学院
推荐引用方式
GB/T 7714
Jia, Zixia,Ma, Youmi,Cai, Jiong,et al. Semi-Supervised Semantic Dependency Parsing Using CRF Autoencoders[C],2020:6795–6805.
条目包含的文件 下载所有文件
文件名称/大小 文献类型 版本类型 开放类型 使用许可
个性服务
查看访问统计
谷歌学术
谷歌学术中相似的文章
[Jia, Zixia]的文章
[Ma, Youmi]的文章
[Cai, Jiong]的文章
百度学术
百度学术中相似的文章
[Jia, Zixia]的文章
[Ma, Youmi]的文章
[Cai, Jiong]的文章
必应学术
必应学术中相似的文章
[Jia, Zixia]的文章
[Ma, Youmi]的文章
[Cai, Jiong]的文章
相关权益政策
暂无数据
收藏/分享
文件名: 10.18653@v1@2020.acl-main.607.pdf
格式: Adobe PDF
所有评论 (0)
暂无评论
 

除非特别说明,本系统中所有内容都受版权保护,并保留所有权利。