集成图预测用于AMR解析

在众多机器学习任务中，模型通常被训练用于预测结构化数据，例如图结构。例如，在自然语言处理领域，将文本解析为依存句法树或抽象 meaning representation（AMR）图是非常常见的做法。另一方面，集成方法通过融合多个模型的预测结果，生成一个比单个模型更为稳健且准确的新预测结果。尽管文献中已提出多种适用于分类或回归任务的集成技术，但针对图结构预测的集成方法尚未得到充分研究。在本工作中，我们将该问题形式化为：从一组图预测结果中挖掘出被最多支持的、规模最大的图。由于该问题属于NP难问题，我们提出了一种高效的启发式算法以近似最优解。为验证所提方法的有效性，我们在AMR解析任务上进行了实验。实验结果表明，该方法能够有效融合当前最先进的AMR解析器的优势，生成的新预测结果在五个标准基准数据集上均优于任一单一模型。