The Meaning Factory at SemEval-2017 Task 9 : Producing AMRs with Neural Semantic ParsingSemEval-2017 Task 9: Producing AMRs with Neural Semantic Parsing

Rik van Noord; Johan Bos

doi:10.18653/v1/S17-2160

The Meaning Factory at SemEval-2017 Task 9 : Producing AMRs with Neural Semantic ParsingSemEval-2017 Task 9: Producing AMRs with Neural Semantic Parsing ስራ 9:

Abstract

We evaluate a semantic parser based on a character-based sequence-to-sequence model in the context of the SemEval-2017 shared task on semantic parsing for AMRs. With data augmentation, super characters, and POS-tagging we gain major improvements in performance compared to a baseline character-level model. Although we improve on previous character-based neural semantic parsing models, the overall accuracy is still lower than a state-of-the-art AMR parser. An ensemble combining our neural semantic parser with an existing, traditional parser, yields a small gain in performance.

Abstract

Ons evalueer 'n semantiese ontwerker gebaseer op 'n karakter-gebaseerde sekwensie-na-sekwensie model in die konteks van die SemEval-2017 gedeelde taak op semantiese ontwerking vir AMR. Met data augmentasie, super karakters en POS-etiketing kry ons groot verbeteringe in prestasie vergelyk met 'n basisline karaktervlak model. Alhoewel ons op vorige karakter-gebaseerde neurale semantiese verwerking modele verbeter, is die hele presisie nog minder as 'n state-of-the-art AMR parser. 'n Enembleem wat ons neurale semantiese ontwerker kombinerer met 'n bestaande, tradisionele ontwerker, gee 'n klein verskaf in prestasie.

Abstract

የSemEval-2017 በተካሄደው የsemantic ማኅበረሰብ ላይ ለAMR ማኅበረሰብ የተካፈለውን ስራ በተካፈለ የፊደል ቁጥጥር-ለሁኔታዊ ሞዴል በሚያሳየው የsemantic ምርጫዎችን እናስተካክላለን፡፡ የዳታ አካባቢ፣ የበለጠ አካላት እና የPOS-ማተሚያ እና በBaseline character-level model በተደረገ እናስቀናለን፡፡ ምንም እንኳን የቀድሞው የኒሮግራዊ የsemantic ፓርቲ አካባቢ አካባቢ ቢሆን የሙሉ እርግጠት ከ-የ-Art-the AMR ተማሪ ይታያል፡፡ የናቡራዊ ሰሜናዊ ተሳታፊዎችን በተገኘ፣ ባሕላዊ ተሳታፊ እና በተጨማሪው፣ በሙሉ ትንሽ ትርፍ ታደርጋለች፡፡

Abstract

نقوم بتقييم المحلل الدلالي استنادًا إلى نموذج التسلسل إلى التسلسل المستند إلى الأحرف في سياق مهمة SemEval-2017 المشتركة حول التحليل الدلالي لـ AMRs. من خلال زيادة البيانات ، والشخصيات الفائقة ، وعلامات نقاط البيع ، نحصل على تحسينات كبيرة في الأداء مقارنة بنموذج مستوى الحرف الأساسي. على الرغم من أننا قمنا بتحسين نماذج التحليل الدلالي العصبية القائمة على الأحرف السابقة ، إلا أن الدقة الإجمالية لا تزال أقل من محلل AMR الحديث. المجموعة التي تدمج المحلل الدلالي العصبي الخاص بنا مع المحلل اللغوي التقليدي الحالي ، ينتج عنها مكاسب صغيرة في الأداء.

Abstract

Biz semantik ayırıcı, karakter-tabanlı sequence-to-sequence modeli ilə ABR üçün semantik ayırış üçün SemEval-2017 şəkildə paylaşılan işləri ilə dəyişdiririk. Məlumatları artırmaq, süper karakterlər və POS etiketləri ilə əsas səviyyə modeli ilə müqayisədə böyük düzəltmələr əldə edirik. Əvvəlki karakter-tabanlı nöral semantik ayırma modellərini yaxşılaşdırmağa rağmen, bütün doğruluğu hələ də sanat AMR ayırmasından daha a şağıdır. Nöral semantik parçacılarımızı mevcut, ehtiyac parçacıyla birləşdirilən bir ensemble, performans üçün kiçik bir fayda verir.

Abstract

Ние оценяваме семантичен анализатор на базата на символен модел последователност към последователност в контекста на споделената задача за семантичен анализ за АМР. С увеличаване на данните, супер символи и маркиране получаваме значителни подобрения в производителността в сравнение с базовия модел на ниво символи. Въпреки че подобряваме предишните модели на невронно семантично анализиране, общата точност е все още по-ниска от най-съвременния АМР анализатор. Ансамбъл, съчетаващ нашия неврален семантичен анализатор със съществуващ, традиционен анализатор, дава малка печалба в производителността.

Abstract

সেমইভাল-২০১৭ সালের প্রেক্ষেত্রে এক চরিত্র-ভিত্তিক সেকেন্ড-থেকে সেক্যান্টিক প্যারেজারের উপর ভিত্তি করে আমরা একটি সেমেন্টিক প্যারে ডাটা যোগাযোগ, সুপার ক্যাক্টার এবং পএস ট্যাগিং এর সাথে আমরা প্রদর্শনের মাধ্যমে বেসাইলাইনের অক্ষর-স্তরের মডেলের তুলনায় বেশী যদিও আমরা পূর্ববর্তী অক্ষরের ভিত্তিক নিউরাল সেমেন্টিক পার্গিং মডেলে উন্নতি পাই, তবুও সাধারণ সঠিক তথ্য এখনো এক-শিল্পের-শিল্পী এ বিদ্যমান, ঐতিহ্যবাহী প্যালারের সাথে আমাদের নিউরাল সেম্যান্টিক প্যারাসারের সাথে একত্রিত করা একটি সংক্রান্

Abstract

ང་ཚོའི་རང་ཉིད་ཀྱི་དབྱེ་རིམ་པ་ཅིག་ལྟ་བུའི་ཡིག་གཟུགས་རིས་གཞི་རྟེན་ནས་sequence-to-sequence་རྣམ་གྲངས་ཀ་ནང་ལུ་ SemEval-2017 ཡི་སྒྲུམ་ནང་བཤད་ཀྱི་བ With data augmentation, super characters, and POS-tagging we gain major improvements in performance compared to a baseline character-level model. ང་ཚོས་དུས་ཀྱི་ཡིག་འབྲུ་གཞི་བརྟེན་ནས་ཡིག་ཆའི་སྒོ་ལས་ཀྱི་དཔེ་དབྱེ་སྟངས་དག་ལ་ཡར་རྒྱས་གཏོང་བའི་རྒྱུ་དངོས་ཀྱི་མིང་དཔེ་དབྱེ་སྟངས རྒྱུ་རྐྱེན་ཞིག་གིས་ང་ཚོའི་དཔུད་རིས་ལག་ལེན་པ་ཞིག་དང་གནས་ཡོད་པའི་སྔོན་སྲོལ་ཆེན་སྒྲིག་ཀྱིས་ཕལ་འབྲས་སྐྱེལ

Abstract

Procjenjujemo semantički analizator baziran na modelu sequence-to-sequence-based na karakteru u kontekstu delnog zadatka semiEval-2017 o semantičkom analizanju AMR-a. Uz povećanje podataka, super znakova i označavanje POS-a dobijamo velike poboljšanje učinka u usporedbi s model početnog nivoa karaktera. Iako poboljšamo na prethodnim modelima neurosemantičkog analiza na karakteru, ukupna preciznost je još uvijek niža od stanja umjetnog AMR analizatora. Zaključak kombinacije našeg neuralnog semantičkog analizatora sa postojećim, tradicionalnim analizatorom pruža mali dobitak u izvedbi.

Abstract

Evaluam un analitzador semàntic basat en un model de seqüència a seqüència basat en caràcters en el context de la tasca compartida SemEval-2017 sobre l'analització semàntica dels AMR. Amb l'augment de les dades, els súper caràcters i l'etiqueta POS obtenim millors importants en el rendiment comparats amb un model de nivell de caràcter basal. Tot i que millorem els models anteriors d'analització semàntica neuronal basats en caràcters, la precisió global encara és més baixa que un analitzador AMR més avançat. Un conjunt que combina el nostre analitzador semàntic neuronal amb un analitzador tradicional existent, dóna un petit guany en el rendiment.

Abstract

Vyhodnocujeme sémantický parser založený na znakovém modelu sekvence na sekvenci v kontextu sdílené úlohy SemEval-2017 o sémantickém parsování pro AMR. Díky rozšíření dat, super znakům a POS-tagování získáváme významné zlepšení výkonu ve srovnání s modelem základní znakové úrovně. Přestože jsme zlepšili předchozí znakové neuronové sémantické parsovací modely, celková přesnost je stále nižší než moderní AMR parser. Soubor kombinující náš neuronový sémantický parser s existujícím, tradičním parserem přináší malý zisk ve výkonu.

Abstract

Vi evaluerer en semantisk fortolker baseret på en tegnbaseret sekvens-til-sekvensmodel i forbindelse med SemEval-2017 delt opgave om semantisk fortolkning for AMR. Med dataforøgelse, supertegn og POS-tagging opnår vi store forbedringer i ydeevnen sammenlignet med en baseline tegnniveau model. Selvom vi forbedrer tidligere karakterbaserede neurale semantiske parsingsmodeller, er den samlede nøjagtighed stadig lavere end en state-of-the-art AMR parser. Et ensemble, der kombinerer vores neurale semantiske parser med en eksisterende, traditionel parser, giver en lille gevinst i ydeevne.

Abstract

Wir evaluieren einen semantischen Parser basierend auf einem zeichenbasierten Sequenz-zu-Sequenz-Modell im Kontext der SemEval-2017 Shared Task zum semantischen Parsen für AMRs. Mit der Erweiterung von Daten, Supercharacters und POS-Tagging erzielen wir im Vergleich zu einem Basismodell auf Zeichenebene erhebliche Leistungsverbesserungen. Obwohl wir frühere zeichenbasierte neuronale semantische Parsing-Modelle verbessern, ist die Gesamtgenauigkeit immer noch geringer als ein hochmoderner AMR-Parser. Ein Ensemble, das unseren neuronalen semantischen Parser mit einem bestehenden, traditionellen Parser kombiniert, ergibt einen kleinen Leistungssteigerung.

Abstract

Αξιολογούμε έναν σημασιολογικό αναλυτή βασισμένο σε ένα μοντέλο ακολουθίας-προς-ακολουθίας βάσει χαρακτήρων στο πλαίσιο της κοινής εργασίας SemEval-2017 για τη σημασιολογική ανάλυση για AMR. Με την αύξηση δεδομένων, τους σούπερ χαρακτήρες και την επισήμανση κερδίζουμε σημαντικές βελτιώσεις στην απόδοση σε σύγκριση με ένα μοντέλο βασικού επιπέδου χαρακτήρων. Αν και βελτιώνουμε τα προηγούμενα μοντέλα νευρωνικής σημασιολογικής ανάλυσης βασισμένα σε χαρακτήρες, η συνολική ακρίβεια εξακολουθεί να είναι χαμηλότερη από έναν υπερσύγχρονο αναλυτή AMR. Ένα σύνολο που συνδυάζει τον νευρωνικό σημασιολογικό αναλυτή μας με έναν υπάρχον, παραδοσιακό αναλυτή, αποδίδει ένα μικρό κέρδος στην απόδοση.

Abstract

Evaluamos un analizador semántico basado en un modelo de secuencia a secuencia basado en caracteres en el contexto de la tarea compartida SemEval-2017 sobre el análisis semántico para AMR. Con el aumento de datos, los superpersonajes y el etiquetado POS, obtenemos mejoras importantes en el rendimiento en comparación con un modelo básico a nivel de personaje. Aunque mejoramos los modelos anteriores de análisis semántico neuronal basado en caracteres, la precisión general sigue siendo inferior a la de un analizador AMR de última generación. Un conjunto que combina nuestro analizador semántico neuronal con un analizador tradicional existente produce una pequeña ganancia en el rendimiento.

Abstract

Hindame semantilist parserit, mis põhineb märgipõhisel jada-jada mudelil SemEval-2017 ühise AMR-ide semantilise parsimise ülesande kontekstis. Andmete suurendamise, supermärkide ja POS-märgistamise abil saame oluliselt parandada jõudlust võrreldes baasmärgitasemel mudeliga. Kuigi me parandame varasemaid märgipõhiseid neurosemantilisi parsimismudeleid, on üldine täpsus siiski madalam kui kaasaegne AMR parser. Ansambel, mis ühendab meie neurosemantilise parseri olemasoleva traditsioonilise parseriga, annab väikese jõudluse.

Abstract

ما یک بازیگر semantic را بر اساس یک مدل ردیف-تا-ردیف بر اساس شخصیت‌ها در محیط کار مشترک SemEval-2017 بر اساس بازیگر‌سازی semantic برای AMRs ارزیابی می‌کنیم. با افزایش داده ها، شخصیت های فوق العاده و نقاشی POS در مقایسه با یک مدل سطح شخصیت‌های بنیادی، بهترین عملکرد بزرگ را دریافت می‌کنیم. اگرچه ما بر مدل‌های تجزیه‌کننده‌ی عصبی بر روی شخصیت‌های قبلی بهتر می‌کنیم، دقیق عمومی هنوز پایین‌تر از یک تجزیه‌کننده آمر هنری است. یک شاخه‌ای که با یک تجزیه‌کننده‌ی سنتی وجود دارد، یک شاخه‌ی سیمانتیک عصبی ما را ترکیب می‌کند، یک سود کوچک در انجام می‌دهد.

Abstract

Arvioimme merkkipohjaiseen sekvenssimalliin perustuvaa semanttista jäsennystä SemEval-2017:n yhteisen semanttisen jäsennystehtävän yhteydessä. Tietojen lisääminen, supermerkit ja POS-tagging parantavat suorituskykyä huomattavasti verrattuna perusmerkkitason malliin. Vaikka parannamme aiempiin merkkipohjaisiin neurosemanttisiin parsausmalleihin verrattuna, kokonaistarkkuus on silti alhaisempi kuin huipputekninen AMR-parser. Neuraalisen semanttisen jäsentäjän ja perinteisen jäsentäjän yhdistelmä tuottaa pienen suorituskyvyn.

Abstract

Nous évaluons un analyseur sémantique basé sur un modèle séquence à séquence basé sur des caractères dans le contexte de la tâche partagée SemEval-2017 sur l'analyse sémantique pour les RAM. Avec l'augmentation des données, les super caractères et le marquage POS, nous obtenons des améliorations majeures en termes de performances par rapport à un modèle de base au niveau des caractères. Bien que nous améliorions les modèles d'analyse sémantique neuronale basés sur les caractères précédents, la précision globale reste inférieure à celle d'un analyseur AMR de pointe. Un ensemble combinant notre analyseur sémantique neuronal avec un analyseur traditionnel existant produit un léger gain de performance.

Abstract

Déanaimid measúnú ar pharsálaí shéimeantach bunaithe ar mhúnla seicheamh-go-seicheamh atá bunaithe ar charachtar i gcomhthéacs tasc comhroinnte SemEval-2017 ar pharsáil shéimeantach le haghaidh AMRanna. Le méadú ar shonraí, sárcharachtair, agus clibeáil POS faigheann muid feabhsuithe móra ar fheidhmíocht i gcomparáid le samhail bonnlíne leibhéal carachtair. Cé go gcuirimid feabhas ar mhúnlaí parsála néaracha shéimeantacha atá bunaithe ar charachtar roimhe seo, tá an cruinneas foriomlán fós níos ísle ná parsálaí AMR úrscothach. Cruthaíonn ensemble a chomhcheanglaíonn ár bparsálaí néarach shéimeantach le parsálaí traidisiúnta atá ann cheana féin, gnóthachan beag san fheidhmíocht.

Abstract

We evaluate a semantic parser based on a character-based sequence-to-sequence model in the context of the SemEval-2017 shared task on semantic parsing for AMRs. @ info: whatsthis Ingawa lalle ne, muna samar da misãlai masu parse na zaman karatun na neural na semantic, tabbatarwa da ke ƙaranci kowace da-state-of-the-art AMR parser. An sami wani shirin da ke haɗa parser ɗin neural da wani mai da ke gaba, wa'anar ƙidãya, zai nuna wani ƙari kaɗan a cikin aikin.

Abstract

אנו מעריכים מעבד סמנטי מבוסס על דוגמא רצף לרצף בהקשר של המשימה המשותפת SemEval-2017 על מעבד סמנטי עבור AMR. עם גיבוי נתונים, דמויות סופרות, ותגים POS אנחנו מקבלים שיפורים גדולים בהופעה בהשוואה למודל רמת דמויות בסיסית. Although we improve on previous character-based neural semantic parsing models, the overall accuracy is still lower than a state-of-the-art AMR parser. An ensemble combining our neural semantic parser with an existing, traditional parser, yields a small gain in performance.

Abstract

हम एएमआर के लिए शब्दार्थ पार्सिंग पर SemEval-2017 साझा कार्य के संदर्भ में एक चरित्र-आधारित अनुक्रम-से-अनुक्रम मॉडल के आधार पर एक शब्दार्थ पार्सर का मूल्यांकन करते हैं। डेटा संवर्धन, सुपर वर्ण, और पीओएस-टैगिंग के साथ हम बेसलाइन चरित्र-स्तर मॉडल की तुलना में प्रदर्शन में प्रमुख सुधार प्राप्त करते हैं। यद्यपि हम पिछले चरित्र-आधारित तंत्रिका शब्दार्थ पार्सिंग मॉडल में सुधार करते हैं, समग्र सटीकता अभी भी एक अत्याधुनिक एएमआर पार्सर की तुलना में कम है। एक मौजूदा, पारंपरिक पार्सर के साथ हमारे तंत्रिका शब्दार्थ पार्सर के संयोजन वाला एक पहनावा, प्रदर्शन में एक छोटा सा लाभ पैदा करता है।

Abstract

Procjenjujemo semantički analizač baziran na modelu sequence-to-sequence-based na karakteru u kontekstu zajedničkog zadatka semiEval-2017 o semantičkom analizanju AMR-a. Uz povećanje podataka, super znakova i označavanje POS-a dobijamo velike poboljšanje učinka u usporedbi s model početnog nivoa karaktera. Iako poboljšamo na prethodnim modelima neurosemantičkog analiza na karakteru, ukupna preciznost je još uvijek niža od stanja umjetnog AMR analizatora. Zaključak kombinacije našeg neuralnog semantičkog analizatora s postojećim tradicionalnim analizatorom pruža mali dobit u izvođenju.

Abstract

Egy karakter alapú szekvencia-szekvencia modell alapján értékelünk egy szemantikai elemzőt az AMR-ek szemantikai elemzésével foglalkozó SemEval-2017 megosztott feladat kontextusában. Az adatbővítéssel, a szuperkarakterekkel és a POS-címkézéssel jelentős teljesítményjavulást érünk el az alapszintű karakterszintű modellekhez képest. Bár a korábbi karakter alapú neurális szemantikai elemzési modelleket javítjuk, az általános pontosság még mindig alacsonyabb, mint egy korszerű AMR elemző. A neurális szemantikai elemzőnk és egy meglévő, hagyományos elemzőnk kombinálása kis teljesítménynövekedést eredményez.

Abstract

Մենք գնահատում ենք սեմանտիկ վերլուծում հիմնված հերոսների հաջորդականության-հաջորդականության մոդելի վրա, որը կազմում է սեմանտիկ վերլուծում ԱՄՌ-ների համար, SEMA-2017-ի կոնտեքստում: Տվյալների աճի, սուպեր հիերոգլիֆների և POS-ի նշանների միջոցով մենք լավագույն արդյունքներ ենք ստանում համեմատած հիմնական հիերոգլիֆի մակարդակի մոդելի հետ: Չնայած, որ մենք բարելավվում ենք նախորդ բնույթների հիմնված նյարդային սեմանտիկ վերլուծության մոդելների վրա, ընդհանուր ճշգրտությունը դեռևս ցածր է, քան ամենաբարձր AMR վերլուծությունը: An ensemble combining our neural semantic parser with an existing, traditional parser, yields a small gain in performance.

Abstract

Kami mengevaluasi parser semantis berdasarkan model urutan-ke-urutan berdasarkan karakter dalam konteks tugas berbagi SemEval-2017 pada parsing semantis untuk AMR. Dengan peningkatan data, karakter super, dan POS-tagging kita mendapatkan peningkatan besar dalam prestasi dibandingkan dengan model karakter-level dasar. Meskipun kita meningkatkan pada model penghuraian semantis saraf berdasarkan karakter sebelumnya, akurasi umum masih lebih rendah dari penghuraian AMR state-of-the-art. Sebuah ensemble yang menggabungkan parser semantis saraf kita dengan parser tradisional yang ada, memberikan sedikit keuntungan dalam pertunjukan.

Abstract

Valutiamo un parser semantico basato su un modello sequenza-sequenza basato su caratteri nel contesto del compito condiviso SemEval-2017 sull'analisi semantica per AMR. Con l'aumento dei dati, i super caratteri e il tag POS otteniamo notevoli miglioramenti nelle prestazioni rispetto a un modello di base a livello di carattere. Sebbene miglioriamo sui precedenti modelli di analisi semantica neurale basati sui caratteri, l'accuratezza complessiva è ancora inferiore a un parser AMR all'avanguardia. Un insieme che combina il nostro parser semantico neurale con un parser tradizionale esistente, produce un piccolo guadagno nelle prestazioni.

Abstract

私たちは、AMRのセマンティック構文解析に関するSemEval -2017共有タスクのコンテキストで、文字ベースのシーケンスツーシーケンスモデルに基づいてセマンティック構文解析器を評価します。データ拡張、スーパーキャラクター、POSタグ化により、ベースラインキャラクターレベルモデルと比較してパフォーマンスが大幅に向上します。これまでの文字ベースのニューラルセマンティック構文解析モデルを改善しましたが、全体的な精度は最先端のAMR構文解析器よりも低くなっています。ニューラルセマンティック構文解析器と既存の従来の構文解析器を組み合わせたアンサンブルは、パフォーマンスを少し向上させます。

Abstract

We assertive a semanti browser bazed on a character-bazed sec-to-order model in the context of the semebal-2011 share task on semanti c PASSing for AM Rs. Common string" in "context_BAR_stringLink Walian tambah sing dibungan kelas-semanti sing uwong karo akeh, dadi, perusahaan, iso nggawe barang apik sing nyimpen

Abstract

ჩვენ სემენტიკური პასენტორის შესაბამისი სიმპონტიკური მოდელის შესაბამისი სიმპონტიკური შესაბამისი მოდელის კონტექსტში SemEval-2017 გაყოფილი პასენტიკური პასენტიკური მოდელის შესა მონაცემების augmentation, სუპერ სიმბოლოებით და POS-სიმბოლოებით ჩვენ მივიღეთ მნიშვნელოვანი პროცემების შესაბამისი სიმბოლოების მოდელზე. მაგრამ ჩვენ წინა სიმბოლოების მიხედვით ნეიროლური სიმენტიკური პარასტის მოდელზე უფრო მეტია, ყველაფერი სიმბოლობა არ უფრო მეტია, როგორც ამერიკური პარასტირების ჩვენი ნეიროლური სიმენტიკური პასენტორის შემბობაში, რომელიც არსებობს, традиციოლური პასენტორია, მიიღება პატარა პროგრამეტში.

Abstract

Semantic analyzer based on a character-to-sequence model in the context of the semiEval-2017 shared task on semantic parsing for AMRs. Деректерді көбейту, супер таңбалар және POS тегтерімен біз негізгі таңбаның деңгейіндегі үлгісімен салыстыру үшін негізгі жақсартуларын аламыз. Алдыңғы таңбалар негіздеген невралдық семантикалық талдау үлгілерін жақсартып тұрғанда, әлі дұрыс AMR талдаушынан төмен болады. Невралдық семантикалық талдаушыларымызды бар, әдетті талдаушыларымызды біріктіру үшін кішкентай жетілдіреді.

Abstract

SemEval-2017 AMRs 의미 분석 공유 작업 배경에서 문자 시퀀스에서 시퀀스 모델에 이르는 의미 해석기를 평가했습니다.데이터 확장, 슈퍼 문자와 어성 표시를 통해 기선 문자급 모델에 비해 우리는 성능에 큰 개선을 얻었다.비록 우리는 이전에 문자를 바탕으로 한 신경 의미 해석 모델을 개선했지만 전체 정밀도는 여전히 가장 선진적인 AMR 해석기보다 낮다.우리의 신경 의미 해석기를 기존의 전통 해석기와 조합하면 성능이 약간 향상될 수 있다.

Abstract

Vertiname semantinį analizatorių, pagrįstą simboliu pagrįstu sekos po sekos modeliu, atsižvelgiant į dalijamąją užduotį „SemEval-2017“ dėl semantinio analizavimo AMR. Duomenų didinimu, supersimboliais ir POS žymėjimu, palyginti su pradiniu simbolio lygio modeliu, rezultatai gerokai pagerėja. Nors mes pagerėjame ankstesniais simboliniais neurologiniais semantiniais analizavimo modeliais, bendras tikslumas vis dar mažesnis nei naujausias AMR analizatorius. Ensamblis, jungiantis mūsų nervinį semantinį analizatorių su esamu tradiciniu analizatoriumi, nedidelį rezultatų padidėjimą.

Abstract

Го проценуваме семантичкиот анализатор базиран на модел од секвенца до секвенца базиран на карактери во контекст на заедничката задача SemEval-2017 за семантичко анализирање за AMR. Со зголемување на податоците, супер карактери и POS-означување добиваме големи подобрувања во перформансата во споредба со основниот модел на карактерско ниво. И покрај тоа што ги подобруваме претходните семантични модели за анализирање на нервите базирани на карактери, целокупната точност е сé уште пониска од најсовремениот анализирач на АМР. Енсамблот кој го комбинира нашиот нервен семантичен анализатор со постојан традиционален анализатор, дава мал профит во изведбата.

Abstract

സെമ്എംഎംഎംഎംഎംഎഴുത്തിനുള്ള സെമാന്റിക് പാര്‍സിങ്ങിന്‍റെ പ്രഭുതി With data augmentation, super characters, and POS-tagging we gain major improvements in performance compared to a baseline character-level model. മുമ്പുള്ള അക്ഷരത്തിന്റെ അടിസ്ഥാനത്തുള്ള നെയുറല്‍ സെമാന്റിക് പാര്‍ജിങ്ങ് മോഡലുകളില്‍ നമ്മള്‍ മുന്‍കൂട്ടിയാലും മൊത്തം കൃത് നമ്മുടെ ന്യൂറല്‍ സെമാന്റിക്ക് പാര്‍സറുമായി കൂട്ടിചേര്‍ക്കുന്ന ഒരു ഏന്‍സ്പെല്‍ നിലവിലുള്ള, പാര്‍ട്ടിയാ

Abstract

Бид SemEval-2017 оны семантик хуваалцах ажлын тухай AMRs-ийн хуваалцааны тухай semantic parsing-ын тухай дүрслэлийн загвар дээр суурилсан семантик хуваалцагчийг үнэлдэг. Өгөгдлийн нэмэгдүүлэлт, супер хэмжээсүүд болон POS-тэгжээлтэй холбоотой бид үндсэн хэмжээсүүдийн загвартай харьцуулахад их сайжруулагддаг. Хэдийгээр бид өмнөх харьцаа дээр суурилсан мэдрэлийн semantic хуваалцах загваруудыг сайжруулсан ч, нийтийн тодорхойлолт нь мөн урлагийн AMR хуваалцагчдаас бага байна. Бидний мэдрэлийн шинжлэх ухааны хувьд оршиж буй, уламжлалтай хуваарьтай холбогдсон загвар нь ажиллагаанд жижиг ашиг авдаг.

Abstract

Kami menilai penghurai semantik berdasarkan model jujukan-ke-jujukan berdasarkan aksara dalam konteks tugas berkongsi SemEval-2017 pada penghurai semantik untuk AMR. Dengan peningkatan data, aksara super, dan penanda POS, kita dapat peningkatan utama dalam prestasi dibandingkan dengan model aras aksara asas. Walaupun kita meningkatkan pada model penghurai semantik saraf berdasarkan aksara terdahulu, keseluruhan ketepatan masih lebih rendah daripada penghurai AMR state-of-the-art. Satu kumpulan yang menggabungkan penghurai semantik saraf kita dengan penghurai tradisional yang wujud, memberikan sedikit keuntungan dalam prestasi.

Abstract

We evaluate a semantic parser based on a character-based sequence-to-sequence model in the context of the SemEval-2017 shared task on semantic parsing for AMRs. B’żieda fid-dejta, superkarattri, u tikkettar POS inkisbu titjib kbir fil-prestazzjoni meta mqabbel ma’ mudell ta’ livell ta’ karattru fil-linja bażi. Although we improve on previous character-based neural semantic parsing models, the overall accuracy is still lower than a state-of-the-art AMR parser. Ensemble li jikkombina l-analizzatur semantiku newrali tagħna ma’ analizzatur tradizzjonali eżistenti, jagħti qligħ żgħir fil-prestazzjoni.

Abstract

We evalueren een semantische parser op basis van een karaktergebaseerd sequence-to-sequence model in de context van de SemEval-2017 gedeelde taak over semantische parsing voor AMR's. Met data augmentatie, superkarakters en POS-tagging behalen we grote verbeteringen in de prestaties ten opzichte van een basismodel op tekenniveau. Hoewel we eerdere karaktergebaseerde neurale semantische parsing modellen verbeteren, is de algehele nauwkeurigheid nog steeds lager dan een state-of-the-art AMR parser. Een ensemble dat onze neurale semantische parser combineert met een bestaande, traditionele parser, levert een kleine verbetering in prestaties op.

Abstract

Vi evaluerer ein semantisk tolkar basert på eit teiknbasert sequence-to-sequence-modell i konteksten av semiEval-2017 delt oppgåve på semantisk tolking for AMR. Med data-augmentasjon, superteikn og POS-merking får vi store forbetringar i utviklinga samanlikna med ein grunnlinjevønster. Selv om vi forbedrar på førre tegnbaserte neuralsemantiske tolkingsmodular, er det alltid nøyaktigheten fremdeles mindre enn ein tilstand av kunsten AMR-tolkar. Ein ensembel som kombinerer vår neuralsemantisk tolkar med ein eksisterande, tradisjonell tolkar, gjer ein liten forståking i utviklinga.

Abstract

Oceniamy parser semantyczny oparty na znakowym modelu sekwencji do sekwencji w kontekście wspólnego zadania SemEval-2017 na temat parsowania semantycznego dla AMR. Dzięki powiększaniu danych, superznakom i tagowaniu POS zyskujemy znaczną poprawę wydajności w porównaniu z modelem bazowym na poziomie znaków. Chociaż udoskonaliliśmy poprzednie modele analizy semantycznej oparte na znakach neuronowych, ogólna dokładność jest nadal niższa niż najnowocześniejszy parser AMR. Zespół łączący nasz neuronowy parser semantyczny z istniejącym, tradycyjnym parserem daje niewielki wzrost wydajności.

Abstract

Avaliamos um analisador semântico baseado em um modelo de sequência a sequência baseado em caracteres no contexto da tarefa compartilhada SemEval-2017 na análise semântica para AMRs. Com o aumento de dados, supercaracteres e marcação de PDV, ganhamos grandes melhorias no desempenho em comparação com um modelo básico de nível de caractere. Embora tenhamos melhorado em modelos anteriores de análise semântica neural baseados em caracteres, a precisão geral ainda é menor do que um analisador AMR de última geração. Um conjunto que combina nosso analisador semântico neural com um analisador tradicional existente gera um pequeno ganho de desempenho.

Abstract

Evaluăm un parser semantic bazat pe un model secvență-la-secvență bazat pe caractere în contextul sarcinii partajate SemEval-2017 privind parsarea semantică pentru AMR. Cu mărirea datelor, super caracterele și etichetarea POS obținem îmbunătățiri majore în performanță în comparație cu un model de bază la nivel de caractere. Deși îmbunătățim modelele anterioare de analizare semantică neurală bazate pe caractere, precizia generală este încă mai mică decât un parser AMR de ultimă generație. Un ansamblu care combină parserul nostru semantic neural cu un parser existent, tradițional, produce un mic câștig în performanță.

Abstract

Мы оцениваем семантический парсер на основе модели последовательности символов в контексте совместной задачи SemEval-2017 по семантическому парсингу для AMR. С расширением данных, суперсимволами и POS-тегами мы получаем значительные улучшения в производительности по сравнению с базовой моделью на уровне символов. Хотя мы улучшаем предыдущие модели нейронного семантического синтаксического анализа на основе символов, общая точность все еще ниже, чем у современного синтаксического анализатора AMR. Ансамбль, объединяющий наш нейронный семантический парсер с существующим традиционным парсером, дает небольшой прирост производительности.

Abstract

අපි සෙමැන්ටික් විශේෂකයක් පරිශ්ණය කරනවා ඇම්රි සඳහා සෙම්වෙල් 2017 සාමාන්තික විශේෂකය සඳහා සෙමාන්ටික් විශේෂකයේ පරිශ් දත්ත විශාලනය, විශේෂ අක්ෂර, POS- ටැග් එක සමග අපි ප්‍රධාන විශාලනයේ ප්‍රධාන විශාලනය සඳහා ප්‍රධාන වි අපි පසුගිය අක්ෂරාත්මක සිමාන්තික විශ්ලේෂණ විශ්ලේෂණ විශ්ලේෂණ විශ්ලේෂණ විශ්ලේෂණය කරනවා නමුත්, සාමාන්‍ අපේ න්‍යූරාල් සෙමැන්ටික් විශේෂකය සමග සම්බන්ධ කරනවා, සාමාන්‍ය විශේෂකයෙක්, ප්‍රභාවිත විශේෂකයෙක

Abstract

V okviru skupne naloge SemEval-2017 o semantičnem razčlenjevanju AMR smo ocenili semantični razčlenjevalnik na podlagi modela zaporedja v zaporedje znakov. S povečanjem podatkov, super znaki in označevanjem POS pridobimo velike izboljšave v zmogljivosti v primerjavi z osnovnim modelom na ravni znakov. Čeprav izboljšujemo prejšnje modele nevronskega semantičnega razčlenjanja znakov, je splošna natančnost še vedno nižja od najsodobnejšega razčlenjevalnika AMR. Ansambel, ki združuje naš nevralni semantični razčlenjevalnik z obstoječim tradicionalnim razčlenjevalnikom, prinaša majhen povečanje zmogljivosti.

Abstract

Waxaynu qiimeynaynaa baaritaanka semantika ah oo ku saleysan qaab xaraf-ilaa-xilliga, marka xiliga SemEval-2017 lagu qeybeeyo shaqo ku saabsan baaritaanka semantic ee AMRs. Sida lagu kordhiyo macluumaadka, heerarka sareeya iyo POS-tagging, horumarinta horumarinta horumarinta oo la barbaranayo sameynta qoraalka heerka hoose. In kastoo aan horumarino samooyin ka horeysa baaritaanka neurada ah, saxda dhamaantiisu weli way ka hoos yaraan tahay xaalada AMR-da-art. Tusaale ah oo ku ururiya baaritaankeenna neural semantic with an existing, traditional parser, wuxuu soo saaraa faa'iido yar oo lagu sameeyo.

Abstract

Ne vlerësojmë një analizues semantik bazuar në një model sekuencë-në-sekuencë me karakter në kontekstin e detyrës së përbashkët SemEval-2017 mbi analizimin semantik për AMR. Me rritjen e të dhënave, super karaktere dhe etiketat POS ne fitojmë përmirësime të mëdha në performancë krahasuar me një model bazë në nivelin e karakterit. Megjithëse përmirësohemi në modelet e mëparshme të analizimit semantik neuronal bazuar në karakter, saktësia e përgjithshme është ende më e ulët se një analizues AMR më i avancuar. An ensemble combining our neural semantic parser with an existing, traditional parser, yields a small gain in performance.

Abstract

Procjenjujemo semantički analizator baziran na modelu sequence-to-sequence-based na karakteru u kontekstu delnog zadatka semiEval-2017 o semantičkom analizanju AMR-a. Uz povećanje podataka, super znakova i označavanje POS-a dobijamo veće poboljšanje u usporedbi s modelom početnog nivoa karaktera. Iako poboljšamo na prethodnim modelima neurosemantičkog analiza na karakteru, ukupna tačnost je još uvek niža od stanja umjetnog AMR analizatora. Zaključak kombinacije našeg neuralnog semantičkog analizatora sa postojećim, tradicionalnim analizatorom, pruža mali profit u izvedbi.

Abstract

Vi utvärderar en semantisk parser baserad på en teckenbaserad sekvens-till-sekvensmodell i samband med SemEval-2017 delade uppgift om semantisk parsning för AMR. Med dataökning, supertecken och POS-taggning får vi stora förbättringar i prestanda jämfört med en baslinjemodell på teckenivå. Även om vi förbättrar på tidigare karaktärsbaserade neurala semantiska parsningsmodeller, är den totala noggrannheten fortfarande lägre än en state-of-the-art AMR parser. En ensemble som kombinerar vår neurala semantiska parser med en befintlig, traditionell parser ger en liten förbättring i prestanda.

Abstract

Tutathmini mchambuzi wa sekondari kwa msingi wa mfumo wa mfumo wa mfululizo wa mfululizo wa mfululizo wa mfumo wa SemEval-2017 ulishirikiana na jukumu la uchimbaji wa kimapenzi kwa ajili ya AMRs. Kwa kuongezeka kwa taarifa, wahusika wa ubora, na ujumbe wa POS tunapata maendeleo makubwa katika utendaji ukilinganishwa na modeli ya tabia ya msingi. Ingawa tunaboresha mifano ya mabungano ya kisasa iliyopita yenye mhusika, uhakika wa ujumla bado ni chini zaidi ya hali ya sanaa ya AMR. Kipinduzi kinachounganisha mchambuzi wetu wa sekta ya neura na mlipuko wa kizamani, kinaleta faida kidogo katika utendaji.

Abstract

SemEval-2017-க்கான அரைப்பகுதியான பாசிங்க் குறிப்பிட்ட செயலை AMRகளுக்காக பகிர்ந்து கொள்ளும் பொழுது ஒரு எழுத்து அடிப்படையில் சார்ந்து வரு தரவு கூட்டுதல், மேலான எழுத்துக்கள் மற்றும் POS- குறிப்புகள் மூலம் நாம் செயல்பாட்டில் மிகப்பெரிய முன்னேற்றங்களை பெரிய முந்தைய எழுத்து அடிப்படையில் நாம் மேம்படுத்தினாலும் மொத்த சரிவு AMR பகுதியை விட குறைந்ததாக இருக்கும். ஒரு ஒற்றுக்கூட்டம் நடப்பு, மரபார்ந்த பரிசுத்தம், செயல்பாட்டில் சிறிய gain கொடுக்கும்.

Abstract

Semantik tansçylaryň karakterlere tabanly sequence-to-sequence modelini SemEval-2017'iň semantik tansçylygynda paylaşyk täblisasynda deňleýäris Maglumat ýetişdirişi, süper karakterler we POS taglamalary bilen üýtgetmek üçin esasy karakter derejesi bilen gelişmeleri gazanýarys. Öňki karakterlerde näus semantik tansiýanyň modellerine gelişmäge köpräk edýän bolsa, hemme derejesi AMR täzelikleriň durumundan a şağı düşür. Nöral semantik parçacımızı mevcut, geleneksel bir parçacıyla birleştiren küçük gazanç etmiştir.

Abstract

ہم ایک سیمنٹی پارچر کی مطالعہ کررہے ہیں جو AMR کے لئے سیمنٹی پارچینگ کے بارے میں سیمنٹی پارچنگ کے بارے میں سیمنٹی پارچنگ کی مدل پر بنیاد ہے. ڈاٹا افزایش، سوپر کارٹر، اور POS ٹاگنگ کے ساتھ ہم عملکرد میں زیادہ اضافہ حاصل کرتے ہیں بنیس لین کرٹر سطح موڈل کے مقابلہ میں. اگرچہ ہم اگلے شخصت کی بنیادی نیورل سیمانٹیک پارسینگ موڈل پر بہتر ہیں، عمومی دقیق ایک ایٹ آر پارس سے بھی کم ہے. ہمارے نئورل سیمانٹیک پارچر کو ایک موجود، سنتی پارچر کے ساتھ ملتا ہے، ایک چھوٹا فائدہ اٹھاتا ہے.

Abstract

Biz SemEval-2017'ning semantik parsing uchun semantik vazifani qiymatimiz. @ info: whatsthis Agar biz oldingi belgilangan neural semantik parsing modellarida yaxshi ko'ra ko'rib chiqarsak, umumiy imkoniyat AMR parametrlaridan kamaytirish. Name

Abstract

Chúng tôi đánh giá một phân tích cơ bản dựa trên một mô hình dãy-tới-trình tự dựa trên một mô hình riêng trong các nhiệm vụ chung của SemEvl-thẩm 7 về phân tích theo ngữ nghĩa cho AMR. Với việc gia tăng dữ liệu, siêu ký tự, và kết xuất chúng tôi đạt được những cải tiến lớn trong khả năng so với mô hình nhân dạng cơ bản. Mặc dù chúng ta cải tiến về cách phân tích mẫu kinh tế theo nhân cách trước đây, độ chính xác chung vẫn thấp hơn một phân tích AMR hiện đại. Một kết hợp của chúng ta với một phân tích theo khái niệm truyền thống tồn tại, đem lại một lợi ích nhỏ trong việc diễn đạt.

Abstract

余于SemEval-2017AMR语义解析之共同任务上下文,基于字符之序,以质语义解析器。以数增超级 POS ,比于基线字符级,吾于性为大进。虽改前神经语义解析,总体准确性先进之 AMR 解析器。合吾神经语义解析器于旧章解析器合之于性,而小有益于性。

Anthology ID:: S17-2160
Volume:: Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017)
Month:: August
Year:: 2017
Address:: Vancouver, Canada
Venue:: SemEval
SIGs:: SIGLEX | SIGSEM
Publisher:: Association for Computational Linguistics
Note:
Pages:: 929–933
Language:
URL:: https://aclanthology.org/S17-2160
DOI:: 10.18653/v1/S17-2160
Bibkey:
Cite (ACL):: Rik van Noord and Johan Bos. 2017. The Meaning Factory at SemEval-2017 Task 9 : Producing AMRs with Neural Semantic ParsingSemEval-2017 Task 9: Producing AMRs with Neural Semantic Parsing. In Proceedings of the 11th International Workshop on Semantic Evaluation (SemEval-2017), pages 929–933, Vancouver, Canada. Association for Computational Linguistics.
Cite (Informal):: The Meaning Factory at SemEval-2017 Task 9 : Producing AMRs with Neural Semantic ParsingSemEval-2017 Task 9: Producing AMRs with Neural Semantic Parsing (van Noord & Bos, SemEval 2017)
Copy Citation:
PDF:: https://aclanthology.org/S17-2160.pdf
Data: Bio
Terminologies:

PDF Cite Search Translate