“Suda-HLT派员参加IJCNLP-2017”的版本间的差异
跳到导航
跳到搜索
| 第8行： | 第8行： | ||
内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。 | 内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。 | ||
| − | [[File: | + | [[File:ijcnlp2017.jpg|800px]] |
2018年1月25日 (四) 09:40的最新版本
IJCNLP是自然语言处理领域的国际学术会议，每两年举办一次。IJCNLP-2017于2017年11月27日至12月1日在台湾召开。
苏州大学计算机学院自然语言处理组共有1篇论文被IJCNLP-2017录用，第一作者是在读学生张月（硕士三年级学生）。张月同学与李正华老师前往台湾参会做现场报告，并和来自于全世界的研究人员交流最新研究进展。论文简介如下：
- Dependency Parsing with Partial Annotations: An Empirical Comparison
作者：张月 李正华 郎君 夏庆荣 张民
内容提要：这篇文章介绍并比较了基于局部标注数据的句法分析的两种训练方式。第一种是，针对两个CRF句法分析器：基于图的双仿射的神经网络句法分析器（Biaffine）和传统的基于图的对数线性分析器（LLGPar），基于森林的训练目标。第二种方式是针对传统的基于图的线性句法分析器（LGPar）、基于转移的全局归一化神经网络分析器（GN3Par）和传统的基于转移的线性模型（LTPar），基于约束解码的训练方法。在测试阶段，约束解码也适用于将局部句法树补充完整。我们在Penn Treebank数据进行实验，并通过三种不同的方式模拟得到局部标注数据，分别是随机选择任务、选择最不确定的任务和选择分析器的输出中不一致的任务。实验结果表明，LLGPar在局部标注数据上直接学习，表现最好，而将局部标注数据进行补全后，其他几个句法分析器可以得到比较好的性能。
