摘要
在文本到AMR（Abstract Meaning Representation）的解析任务中，当前最先进的语义解析器通常依赖于复杂的流水线结构，整合多个不同的模块或组件，并采用图重新分类（graph recategorization）技术——即基于训练数据集设计的一系列与内容相关的启发式规则。然而，这种图重新分类技术在分布外（out-of-distribution）场景下的泛化能力尚不明确。相比之下，当前最先进的AMR到文本生成任务（可视为解析的逆过程）则基于更为简洁的序列到序列（seq2seq）框架。本文将文本到AMR解析与AMR到文本生成统一为一种对称的转换任务（symmetric transduction task），并证明：通过精心设计的图结构线性化方法，并对预训练的编码器-解码器模型进行扩展，仅使用统一的seq2seq架构即可在两项任务上均达到当前最优性能，该方法称为SPRING（acl{spring}）。我们的模型无需复杂的流水线结构，也不依赖于基于强假设构建的启发式规则。事实上，我们摒弃了图重新分类的必要性，实证表明该技术在标准基准之外反而会带来负面影响。最终，我们在英语AMR 2.0数据集上大幅超越了先前的最先进方法：在文本到AMR任务中，Smatch得分提升了3.6点；在AMR到文本生成任务中，BLEU得分领先于现有最优模型达11.2点。相关代码已开源，发布于：github.com/SapienzaNLP/spring。