Graph-based Dependency Parsing with Graph Neural Networks
Graph-based Dependency Parsing with Graph Neural Networks
复制标题
DOI：
10.18653/v1/p19-1237
复制
发表时间：
2019-07
期刊：
影响因子：
--
通讯作者：
Tao Ji;Yuanbin Wu;Man Lan
中科院分区：
文献类型：
--
作者：
Tao Ji;Yuanbin Wu;Man Lan
我们研究了将高阶特征有效地合并到基于神经图的依存解析中的问题。我们没有从中间解析树中显式提取高阶特征，而是开发了一种更强大的依赖树节点表示，可以简洁有效地捕获高阶信息。我们使用图神经网络（GNN）来学习表示并讨论 GNN 更新和聚合函数的几种新配置。 PTB 上的实验表明，我们的解析器在不使用任何外部资源的情况下，在 PTB 上实现了系统中最好的 UAS 和 LAS（96.0％，94.3％）。
We investigate the problem of efficiently incorporating high-order features into neural graph-based dependency parsing. Instead of explicitly extracting high-order features from intermediate parse trees, we develop a more powerful dependency tree node representation which captures high-order information concisely and efficiently. We use graph neural networks (GNNs) to learn the representations and discuss several new configurations of GNN’s updating and aggregation functions. Experiments on PTB show that our parser achieves the best UAS and LAS on PTB (96.0%, 94.3%) among systems without using any external resources.