الاهتمام الثنائي العميق لتحليل الارتباط العصبي

يقوم هذا البحث على تطوير الأعمال الحديثة لكيبيرفاسر وغولدبرغ (2016) باستخدام الانتباه العصبي في محرك بسيط لتحليل الاعتماد القائم على الرسوم البيانية. نستخدم محركًا أكبر ولكنه أكثر تنظيمًا من النهج الأخرى المستندة إلى BiLSTM، مع تصنيفات ثنائية التأثير للتنبؤ بالروابط والعلامات. حقق محركنا أداءً يتفوق على أفضل الأداء أو قريب منه في المعايير الشجرية القياسية لست لغات مختلفة، حيث حصل على نسبة 95.7% من الدقة في تحديد الروابط غير المشمولة (UAS) ونسبة 94.1% من الدقة في تحديد الروابط المشمولة (LAS) في مجموعة بيانات Penn Treebank (PTB) الإنجليزية الأكثر شهرة. وهذا يجعله المحرك القائم على الرسوم البيانية الأعلى أداءً في هذا المعيار---حيث يتفوق على كيبيرفاسر وغولدبرغ (2016) بنسبة 1.8% و2.2%---وهو مكافئ لأفضل محرك قائم على الانتقالات (كونكورو وغيرهم، 2016)، الذي حقق نسبة 95.8% من الدقة في تحديد الروابط غير المشمولة (UAS) ونسبة 94.6% من الدقة في تحديد الروابط المشمولة (LAS). كما نوضح أيضًا أي خيارات للمعلمات الفائقة كان لها تأثير كبير على دقة التحليل، مما سمح لنا بتحقيق مكاسب كبيرة فوق النهج الأخرى القائمة على الرسوم البيانية.