摘要
我们介绍了一种端到端的核心ference解析模型，并展示了该模型在不使用句法分析器或手动设计的mention检测器的情况下，显著优于所有先前的工作。该模型的关键思想是直接将文档中的所有片段视为潜在的mention，并学习每个片段可能的先行词分布。模型计算了结合上下文依赖边界表示和head-finding注意力机制的片段嵌入。它通过最大化来自核心ference簇的黄金先行词片段的边缘似然性进行训练，并进行了因子分解以实现对潜在mention的大规模剪枝。实验结果表明，该模型在OntoNotes基准测试中达到了最先进的性能，F1分数提高了1.5分，而使用5个模型集成时则提高了3.1分，尽管这是首次成功在没有外部资源的情况下进行训练的方法。注释：- “核心ference”通常翻译为“共指”，但为了保持术语的一致性和完整性，这里保留了“核心ference”的形式。- “mention”在本文中指的是“提及”，特指文本中的实体或短语。- “先行词”是指一个提及所指代的前文中的词语或短语。- “边缘似然性”（marginal likelihood）是指在统计学中的一种概率度量方法。- “因子分解”（factored）在这里指的是将复杂的计算问题分解为更简单的子问题，以便于处理和优化。- “大规模剪枝”（aggressive pruning）是指在计算过程中去除大量不必要的候选选项，以提高效率。