神经AMR：用于解析和生成的序列到序列模型

序列到序列模型在广泛的应用中表现出色。然而，由于相对有限的标注数据量和抽象意义表示（AMR）图的非顺序性质，这些模型在解析和生成使用AMR的文本方面应用有限。本文提出了一种新颖的训练方法，该方法可以通过数百万条未标注的句子和对AMR图进行仔细预处理来克服这一限制。对于AMR解析，我们的模型达到了62.1 SMATCH的竞争性结果，这是目前在不显著使用外部语义资源的情况下报告的最佳分数。对于AMR生成，我们的模型实现了33.8 BLEU的新纪录性能。我们进行了广泛的消融分析和定性分析，提供了强有力的证据表明基于序列的AMR模型对图到序列转换中的顺序变化具有鲁棒性。