초록
추상적 호응 관계를 해결하는 것은 텍스트 이해에 있어 중요한 과제이지만, 매우 어려운 작업입니다. 그러나 최근 표현 학습의 발전으로 이 과제는 더욱 구체적인 목표가 되고 있습니다. 추상적 호응 관계의 핵심 특성은 호응어가 포함된 호응 문장과 그 (일반적으로 명사가 아닌) 선언어 사이의 관계를 설정한다는 것입니다. 우리는 LSTM-시아메즈 네트워크를 사용하여 추상적 호응어가 어떻게 선언어와 관련되는지를 학습하는 언급 순위 모델을 제안합니다. 우리는 인공적인 호응 문장-선언어 쌍을 생성함으로써 훈련 데이터 부족 문제를 극복하였습니다. 우리의 모델은 쉘 명사 해결에서 최신 연구 결과를 능가합니다. 또한, ARRAU 코퍼스의 추상적 호응 부분집합에 대한 첫 번째 벤치마크 결과를 보고합니다. 이 코퍼스는 명사와 대명사를 혼합한 호응어와 더 많은 종류의 혼동 요소로 인해 더 큰 도전을 제공합니다. 우리는 개별 호응어 데이터로 훈련하지 않았음에도 불구하고 명사형 호응어에 대해 기준선을 능가하는 모델 변형을 발견하였지만, 여전히 대명사형 호응어에서는 뒤처지고 있습니다. 우리의 모델은 구문적으로 타당한 후보들을 선택하며, 구문을 무시할 경우 더 깊은 특성을 사용하여 후보들을 차별화합니다.