AMR-Parsing als Sequenz-zu-Graph-Transduktion

Wir schlagen ein aufmerksamkeitsbasiertes Modell vor, das die AMR-Parsing als Sequenz-zu-Graph-Transduktion behandelt. Im Gegensatz zu den meisten AMR-Parsern, die auf vortrainierten Ausrichtern, externen semantischen Ressourcen oder Datenverstärkung basieren, ist unser vorgeschlagener Parser ausrichterfrei und kann effektiv mit begrenzten Mengen an annotierten AMR-Daten trainiert werden. Unsere experimentellen Ergebnisse übertreffen alle bisher gemeldeten SMATCH-Werte sowohl bei AMR 2.0 (F1 von 76,3 % auf LDC2017T10) als auch bei AMR 1.0 (F1 von 70,2 % auf LDC2014T12).