Extraire le maximum de l'analyse AMR

Cet article propose de surmonter le goulot d’étranglement du traitement de l’AMR en améliorant deux composants d’un parseur AMR : l’identification des concepts et l’alignement. Nous concevons tout d’abord un identificateur de concepts basé sur un LSTM bidirectionnel, capable d’intégrer des informations contextuelles plus riches afin d’apprendre des étiquettes de concepts AMR éparses. Ensuite, nous étendons un modèle d’alignement mot-vers-concept basé sur un HMM en introduisant une distorsion de distance de graphe et une méthode de re-évaluation durant le décodage, afin de prendre en compte les informations structurelles présentes dans le graphe AMR. Nous démontrons qu’en intégrant ces deux composants dans un parseur AMR existant, on obtient des performances supérieures de manière cohérente par rapport à l’état de l’art sur divers jeux de données.