Bayesian Learning of a Tree Substitution Grammar
Bayesian Learning of a Tree Substitution Grammar
复制标题
DOI：
10.3115/1667583.1667599
复制
发表时间：
2009-08
期刊：
影响因子：
--
通讯作者：
Matt Post;D. Gildea
中科院分区：
文献类型：
--
作者：
Matt Post;D. Gildea
树替换文法（TSG）提供了许多优于上下文无关文法（CFG）的优点，但很难学习。过去的方法都是采用化学方法。在本文中，我们学习一个TSG使用吉布斯抽样与非参数之前控制子树的大小。学习的语法表现显着优于抽象提取的分析准确性。
Tree substitution grammars (TSGs) offer many advantages over context-free grammars (CFGs), but are hard to learn. Past approaches have resorted to heuristics. In this paper, we learn a TSG using Gibbs sampling with a nonparametric prior to control subtree size. The learned grammars perform significantly better than heuristically extracted ones on parsing accuracy.