通过自学习推动AMR解析的极限

抽象 meaning 表示（Abstract Meaning Representation, AMR）解析在过去两年中取得了显著的性能提升，这既得益于迁移学习的广泛应用，也得益于专为AMR任务设计的新颖架构的发展。与此同时，自学习技术在其他自然语言处理任务（如机器翻译和问答系统）中也显著推动了性能边界的突破。本文探讨了多种利用训练好的模型来提升AMR解析性能的方法，包括生成合成文本与AMR标注，以及对动作oracle（action oracle）进行优化。实验结果表明，在无需任何额外人工标注的前提下，这些方法能够进一步提升已有表现优异的解析器性能，并在AMR 1.0和AMR 2.0数据集上取得了当前最优（state-of-the-art）的结果。