“2019-semeval-ucca”的版本间的差异
跳到导航
跳到搜索
| 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]] | + | [[文件:ucca-task.png|200px|thumb|left]] |
[https://naacl2019.org NAACL网址] | [https://naacl2019.org NAACL网址] | ||
2019年3月14日 (四) 09:32的版本
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)是一种多层的、轻量级的、多语言适用的语义表示，它用有向无环图来表示语义结构，但也有许多区别于其他表示的特性，给解析带来了困难。 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(共有3个closed track，4个open track)。 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。
