2019-semeval-ucca - 版本历史

2019年3月15日 (五) 01:37 Zhli

2019-03-15T01:37:36Z

2019-03-15T01:09:37Z

2019-03-15T01:09:15Z

2019-03-15T01:06:26Z

2019-03-15T01:04:46Z

2019-03-15T01:00:06Z

2019-03-14T07:33:25Z

2019-03-14T07:33:11Z

2019-03-14T07:32:42Z

2019-03-14T07:16:19Z

@@ 第1行： / 第1行： @@
-我们课题组两名研一同学蒋炜和张宇（指导老师李正华）参加了SemEval-2019国际评测Task 1：Cross-lingual Semantic Parsing with UCCA。UCCA (Universal Conceptual Cognitive Annotation)是一种轻量级的、多语言适用的语义表示，用有向无环图来表示语义结构，其中词为节点，边刻画语义关系。
+我们课题组两名研一同学蒋炜和张宇（指导老师李正华）参加了SemEval-2019多语言语义分析国际评测（Task 1：Cross-lingual Semantic Parsing with UCCA）。UCCA (Universal Conceptual Cognitive Annotation)是一种轻量级的、多语言适用的语义表示，用有向无环图来表示语义结构，其中词为节点，边刻画语义关系。
 参加评测的共国内外8家单位，我们在6个track中获得了第一，1个track中获得了第二。
 我们通过标记discontinuous node和remote node的方法把UCCA图转化为constituent tree，然后用multi-task learning框架同时训练constituent parser和remote classifier。这个简单模型取得了非常好的性能，且没有用ensemble。Open Track时，我们将Bert最后四层输出作为额外输入特征，加入我们的模型。

@@ 第11行： / 第11行： @@
 [https://competitions.codalab.org/competitions/19160 任务1比赛网址]
-[http://hlt.suda.edu.cn/~zhli/SemEval2019-Task-1-Evaluation-Phase-Results.xlsx 评测成绩]
+[http://hlt.suda.edu.cn/~zhli/SemEval2019-Task-1-Evaluation-Phase-Results.xlsx 详细评测成绩]
 [https://arxiv.org/pdf/1903.04153 我们的系统报告论文]
 [https://arxiv.org/pdf/1903.02953 组织者的overview文章]

@@ 第13行： / 第13行： @@
 [http://hlt.suda.edu.cn/~zhli/SemEval2019-Task-1-Evaluation-Phase-Results.xlsx 评测成绩]
-[https://arxiv.org/pdf/1903.04153 系统报告论文]
+[https://arxiv.org/pdf/1903.04153 我们的系统报告论文]
-[https://arxiv.org/pdf/1903.02953 评测任务1：overview文章]
+[https://arxiv.org/pdf/1903.02953 组织者的overview文章]

@@ 第1行： / 第1行： @@
-我们课题组两名研一同学蒋炜和张宇（指导老师李正华）参加了SemEval-2019国际评测Task 1：Cross-lingual Semantic Parsing with UCCA。UCCA(Universal Conceptual Cognitive Annotation)是一种轻量级的、多语言适用的语义表示，用有向无环图来表示语义结构，其中词为节点，边刻画语义关系。
+我们课题组两名研一同学蒋炜和张宇（指导老师李正华）参加了SemEval-2019国际评测Task 1：Cross-lingual Semantic Parsing with UCCA。UCCA (Universal Conceptual Cognitive Annotation)是一种轻量级的、多语言适用的语义表示，用有向无环图来表示语义结构，其中词为节点，边刻画语义关系。
 参加评测的共国内外8家单位，我们在6个track中获得了第一，1个track中获得了第二。
 我们通过标记discontinuous node和remote node的方法把UCCA图转化为constituent tree，然后用multi-task learning框架同时训练constituent parser和remote classifier。这个简单模型取得了非常好的性能，且没有用ensemble。Open Track时，我们将Bert最后四层输出作为额外输入特征，加入我们的模型。

@@ 第1行： / 第1行： @@
 我们课题组两名研一同学蒋炜和张宇（指导老师李正华）参加了SemEval-2019国际评测Task 1：Cross-lingual Semantic Parsing with UCCA。UCCA(Universal Conceptual Cognitive Annotation)是一种轻量级的、多语言适用的语义表示，用有向无环图来表示语义结构，其中词为节点，边刻画语义关系。
 参加评测的共国内外8家单位，我们在6个track中获得了第一，1个track中获得了第二。
-我们通过标记discontinuous node和remote node的方法把UCCA图转化为constituent tree，然后用multi-task learning框架同时训练constituent parser和remote classifier。这个简单模型取得了非常好的性能，且没有用ensemble。Open Track时，我们利用BERT提取最后四层的特征作为额外输入特征。
+我们通过标记discontinuous node和remote node的方法把UCCA图转化为constituent tree，然后用multi-task learning框架同时训练constituent parser和remote classifier。这个简单模型取得了非常好的性能，且没有用ensemble。Open Track时，我们将Bert最后四层输出作为额外输入特征，加入我们的模型。
 [[文件:ucca-task.png|800px|]]

@@ 第3行： / 第3行： @@
 我们通过标记discontinuous node和remote node的方法把UCCA图转化为constitute tree，然后用multi-task learning框架同时训练minimal span parser和remote classifier。Open Track时，我们利用BERT提取最后四层的特征作为额外输入特征，没有用ensemble。
-[[文件:ucca-task.png|400px|]]
+[[文件:ucca-task.png|800px|]]
 [https://naacl2019.org NAACL网址]

←上一版本		2019年3月14日 (四) 07:16的版本
第3行：		第3行：
	我们通过标记discontinuous node和remote node的方法把UCCA图转化为constitute tree，然后用multi-task learning框架同时训练minimal span parser和remote classifier。Open Track时，我们利用BERT提取最后四层的特征作为额外输入特征，没有用ensemble。		我们通过标记discontinuous node和remote node的方法把UCCA图转化为constitute tree，然后用multi-task learning框架同时训练minimal span parser和remote classifier。Open Track时，我们利用BERT提取最后四层的特征作为额外输入特征，没有用ensemble。

		+	[[文件:ucca-task.png]]

	[https://naacl2019.org NAACL网址]		[https://naacl2019.org NAACL网址]