Abstract
抽象语义表示到文本(AMR-to-Text)生成的任务是给定AMR图,生成相同语义表示的文本。可以把此任务当作一个从源端AMR图到目标端句子的机器翻译任务。目前存在的一些方法都在探索如何更好的对图结构进行建模。然而,它们都存在一个未限定的问题,因为在生成阶段许多句法的决策并不受语义图的约束,从而忽略了句子内部潜藏的句法信息。为了明确考虑这一不足,该文提出一种直接而有效的方法,显示的在AMR-to-Text生成的任务中融入句法信息,并在Transformer和目前该任务最优性能的模型上进行了实验。实验结果表明,在现存的两份标准英文数据集LDC2018E86和LDC2017T10上,都取得了显著的提升,达到了新的最高性能。- Anthology ID:
- 2020.ccl-1.16
- Volume:
- Proceedings of the 19th Chinese National Conference on Computational Linguistics
- Month:
- October
- Year:
- 2020
- Address:
- Haikou, China
- Editors:
- Maosong Sun (孙茂松), Sujian Li (李素建), Yue Zhang (张岳), Yang Liu (刘洋)
- Venue:
- CCL
- SIG:
- Publisher:
- Chinese Information Processing Society of China
- Note:
- Pages:
- 162–171
- Language:
- Chinese
- URL:
- https://aclanthology.org/2020.ccl-1.16
- DOI:
- Cite (ACL):
- Jie Zhu and Junhui Li. 2020. 融合目标端句法的AMR-to-Text生成(AMR-to-Text Generation with Target Syntax). In Proceedings of the 19th Chinese National Conference on Computational Linguistics, pages 162–171, Haikou, China. Chinese Information Processing Society of China.
- Cite (Informal):
- 融合目标端句法的AMR-to-Text生成(AMR-to-Text Generation with Target Syntax) (Zhu & Li, CCL 2020)
- PDF:
- https://preview.aclanthology.org/emnlp-22-attachments/2020.ccl-1.16.pdf