تحسين التحليل العصبي من خلال فصل تأثيرات مزيج النماذج وإعادة الترتيب

العمل الأخير قد اقترح عدة نماذج عصبية توليدية لتحليل التركيب (constituency parsing) تحقق نتائج على مستوى الطليعة. نظرًا لصعوبة البحث المباشر في هذه النماذج التوليدية، فقد تم استخدامها بشكل أساسي لإعادة تقييم المخرجات المرشحة من مفسرات الأساس (base parsers) حيث يكون فك التشفير أكثر بساطة. أولاً، نقدم خوارزمية للبحث المباشر في هذه النماذج التوليدية. ثانياً، نوضح أن نتائج إعادة التقييم تكون جزئيًا على الأقل بسبب الجمع الضمني للنماذج بدلاً من آثار إعادة الترتيب. أخيراً، نبين أن الجمع الصريح للنماذج يمكن أن يحسن الأداء حتى أكثر، مما يؤدي إلى تحقيق أرقام جديدة على مستوى الطليعة في قاعدة بيانات Penn Treebank (PTB)، وهي 94.25 F1 عند التدريب باستخدام البيانات الذهبية فقط و94.66 F1 عند استخدام البيانات الخارجية.