초록
우리는 신경망 기반 그래프 의존성 분석에 고차원 특징을 효율적으로 통합하는 문제를 조사한다. 중간의 구문 트리에서 고차원 특징을 명시적으로 추출하는 대신, 고차원 정보를 간결하고 효율적으로 포착할 수 있는 더 강력한 의존성 트리 노드 표현 방식을 개발한다. 그래프 신경망(GNN)을 사용하여 이러한 표현을 학습하고, GNN의 업데이트 및 집계 함수에 대한 여러 새로운 구성 방식을 논의한다. PTB 데이터셋에서의 실험 결과, 외부 자원을 사용하지 않는 시스템 중에서 본 연구의 분석기(파서)가 가장 높은 UAS(96.0%)와 LAS(94.3%) 성능을 달성하였다.