HyperAIHyperAI

Command Palette

Search for a command to run...

التدريب الدقيق المُراعي للهيكل لمحولات التسلسل إلى التسلسل لتحليل AMR القائم على الانتقال

Jiawei Zhou Tahira Naseem Ramón Fernandez Astudillo Young-Suk Lee Radu Florian Salim Roukos

الملخص

تمثيل التمثيل المفهومي الخطي (AMR) باستخدام نماذج التحويلة التسلسلية المُدرّبة مسبقًا (Transformer) قد أدى مؤخرًا إلى تحسينات كبيرة في معايير تحليل AMR. تتميز هذه المحلّلات بالبساطة وتجنب نمذجة البنية بشكل صريح، لكنها تعاني من غياب خصائص مرغوبة مثل ضمان صحة الرسم البياني أو التوافق المدمج بين الرسم البياني والجملة. في هذه الدراسة، نستكشف دمج النماذج التسلسلية المُدرّبة مسبقًا العامة مع نهج انتقالي يراعي البنية. نبدأ من نظام انتقالي يعتمد على المؤشرات، ونقترح مجموعة مبسطة من الانتقالات، مصممة للاستفادة الأفضل من النماذج اللغوية المُدرّبة مسبقًا في التدريب المهيكل. كما نستعرض نمذجة حالة المحلّل داخل بنية المُشفّر-المُفكّك المُدرّب مسبقًا واستراتيجيات مختلفة في تشكيل القاموس لتحقيق نفس الهدف. نقدّم مقارنة مفصلة مع التطورات الحديثة في تحليل AMR، ونُظهر أن المحلّل المقترح يحتفظ بالخصائص المرغوبة للنهج الانتقالي السابقة، مع بساطته، وبلوغه الحالة الراهنة في تحليل AMR 2.0، دون الحاجة إلى إعادة تصنيف الرسوم البيانية.


بناء الذكاء الاصطناعي بالذكاء الاصطناعي

من الفكرة إلى الإطلاق — سرّع تطوير الذكاء الاصطناعي الخاص بك مع المساعدة البرمجية المجانية بالذكاء الاصطناعي، وبيئة جاهزة للاستخدام، وأفضل أسعار لوحدات معالجة الرسومات.

البرمجة التعاونية باستخدام الذكاء الاصطناعي
وحدات GPU جاهزة للعمل
أفضل الأسعار

HyperAI Newsletters

اشترك في آخر تحديثاتنا
سنرسل لك أحدث التحديثات الأسبوعية إلى بريدك الإلكتروني في الساعة التاسعة من صباح كل يوم اثنين
مدعوم بواسطة MailChimp