HIT-SCIR am MRP 2019: Ein einheitlicher Pipeline-Ansatz für die Bedeutungsrepräsentations-Parsing durch effizientes Training und effektive Kodierung
{Longxu Dou Wanxiang Che Yuxuan Wang Yang Xu Ting Liu Yijia Liu}
Abstract
Diese Arbeit beschreibt unser System (HIT-SCIR) für die gemeinsame Aufgabe der CoNLL 2019: Cross-Framework Meaning Representation Parsing. Wir haben den grundlegenden transitionsbasierten Parser durch zwei Verbesserungen erweitert: a) Effizientes Training durch die Realisierung des parallelen Trainings von Stack LSTM; b) Effektive Kodierung mittels der Verwendung tief kontextualisierter Wortrepräsentationen, wie BERT. Im Allgemeinen schlagen wir eine einheitliche Pipeline für die Bedeutungsrepräsentations-Parsing vor, die framework-spezifische transitionsbasierte Parser, BERT-verstärkte Wortrepräsentationen sowie Nachbearbeitung umfasst. In der abschließenden Bewertung erreichte unser System die erste Platzierung hinsichtlich ALL-F1 (86,2 %) und insbesondere die erste Platzierung im UCCA-Framework (81,67 %).
Benchmarks
| Benchmark | Methodik | Metriken |
|---|---|---|
| ucca-parsing-on-conll-2019 | Transition-based (+BERT + Efficient Training + Effective Encoding) | Full MRP F1: 81.7 Full UCCA F1: 66.7 LPP MRP F1: 82.6 LPP UCCA F1: 64.4 |
KI mit KI entwickeln
Von der Idee bis zum Start — beschleunigen Sie Ihre KI-Entwicklung mit kostenlosem KI-Co-Coding, sofort einsatzbereiter Umgebung und den besten GPU-Preisen.