“2019-semeval-ucca”的版本间的差异

来自SUDA-HLT
跳到导航 跳到搜索
 
(未显示2个用户的6个中间版本)
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。
+
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(共有3个closed track,4个open track)。
+
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|400px|]]
+
[[文件:ucca-task.png|800px|]]
  
 
[https://naacl2019.org NAACL网址]
 
[https://naacl2019.org NAACL网址]
第11行: 第11行:
 
[https://competitions.codalab.org/competitions/19160 任务1比赛网址]
 
[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 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]

2019年3月15日 (五) 03:37的最新版本

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。

Ucca-task.png

NAACL网址

SemEval评测主页

任务1比赛网址

详细评测成绩

我们的系统报告论文

组织者的overview文章