摘要
抽象 meaning 表示（Abstract Meaning Representation, AMR）为自然语言句子提供了一种统一的语义表示形式。因此，AMR 与文本之间的相互转换构成了两个方向相反的转换任务，即文本到 AMR 的解析（Text-to-AMR parsing）与 AMR 到文本的生成（AMR-to-Text generation）。尽管这两项任务具有对偶性，现有 AMR 研究大多仅关注单向性能的提升，且其性能改进主要依赖于引入大规模额外训练数据或复杂的结构修改，这在很大程度上影响了推理速度。为此，本文提出一种数据高效的双向贝叶斯学习方法（Bidirectional Bayesian Learning, BiBL），通过采用单阶段多任务学习策略，实现双向信息的高效交互，从而在保持模型轻量化训练的同时提升整体性能。在标准基准数据集上的实验结果表明，所提出的 BiBL 方法在无需依赖额外训练数据的情况下，性能显著优于以往强大的序列到序列（seq2seq）优化模型——而这些对比模型通常依赖于额外数据才能取得良好效果。相关代码已开源，地址为：https://github.com/KHAKhazeus/BiBL。