Zweitordnungssemantische Abhängigkeitsanalyse mit neuronalen Netzen von Anfang bis Ende

Das semantische Abhängigkeitsparsing zielt darauf ab, semantische Beziehungen zwischen Wörtern in einem Satz zu identifizieren, die einen Graphen bilden. In dieser Arbeit schlagen wir einen zweiten Ordnungs semantischen Abhängigkeitsparser vor, der nicht nur einzelne Abhängigkeitskanten berücksichtigt, sondern auch Interaktionen zwischen Kantenpaaren. Wir zeigen, dass das Parsing zweiter Ordnung mittels Mean-Field-Variational-Inferenz (MF) oder Loopy-Belief-Propagation (LBP) approximiert werden kann. Beide Algorithmen können als rekurrente Schichten eines neuronalen Netzes entfaltet werden und daher kann der Parser auf end-to-end-Basis trainiert werden. Unsere Experimente zeigen, dass unser Ansatz eine Spitzenleistung erzielt.