基于转移的快速精准的语义依存图分析

语义依存图分析（Semantic Dependency Graph Parsing）以有向无环图的形式来表示句子的语义信息，常用来帮助计算机理解语句的含义。基于转移的方法通过在每一步局部选择最优的转移动作，可以方便地构造语义依存图，然而因局部选择而导致的错误传播问题一直影响着系统的准确率。另外，转移系统复杂的转移过程也给批量化解码造成了困难，限制了系统的效率。文章针对基于转移的方法设计了一个简单有效的使用原子特征的神经网络模型。减少传统模型在编码时的计算量。在训练阶段采用动态Oracle缓解错误传播问题，以提高模型的准确率，并在此模型上实现批量化训练和解码，来提高模型的效率。此外，还使用预训练语言模型来进一步增强模型。实验表明，本文模型在SemEval-2015-task18领域内和领域外测试集上分别比以往的转移方法提高了1.8%和2.7%的F值，并大幅度提高了转移方法的效率，达到了与目前最先进模型相当的水平。