منذ 15 أيام

ATP: AMRize ثم تحليل! تحسين تحليل AMR باستخدام PseudoAMRs

Liang Chen, Peiyi Wang, Runxin Xu, Tianyu Liu, Zhifang Sui, Baobao Chang

الملخص

بما أن تمثيل المعنى المجرد (AMR) يشتمل ضمنيًا على تسميات معنوية مركبة، نفترض أن المهام المساعدة المرتبطة معنويًا أو شكليًا يمكن أن تعزز بشكل أفضل عملية تحليل AMR. وجدنا أن: 1) تسمية أدوار المعنى (SRL) وتحليل الاعتماد (DP) تُحقّق مكاسب في الأداء أكبر من غيرها من المهام، مثل الترجمة الآلية (MT) أو تلخيص النصوص، في عملية التحويل من النص إلى AMR، حتى مع كمية بيانات أقل بكثير. 2) لتحسين التوافق مع AMR، يجب تجهيز بيانات المهام المساعدة بشكل مناسب من خلال تحويلها إلى ما يُسمى بـ "PseudoAMR" قبل التدريب. ويمكن نقل المعرفة من المهام التحليلية السطحية إلى تحليل AMR بشكل أكثر فعالية من خلال تحويل البنية. 3) إن التعلّم عبر المهام الوسيطة (Intermediate-task learning) يُعد نموذجًا أفضل لدمج المهام المساعدة في تحليل AMR مقارنةً بالتعلم المتعدد المهام (Multitask learning). من منظور تجريبي، نقترح طريقة منهجية لدمج المهام المساعدة بهدف تعزيز تحليل AMR. وقد أظهرت التجارب الواسعة أداءً جديدًا على مستوى القمة في مختلف المعايير، خاصةً في المقاييس المرتبطة بالهيكلية.