基于Shift-Reduce的增量式AMR解析研究.pdf

1、抽象語義表示(Abstract Meaning Representation，AMR)是一種近幾年國際上新興的語義表示結(jié)構(gòu)，它旨在對整個自然語言句子進行語義表示，打破了傳統(tǒng)的句法樹結(jié)構(gòu)的局限性。AMR將一個句子的語義抽象為一個含有單個根節(jié)點的有向無環(huán)圖，從而使得它可以不受限于句子的語法形式。顯然，AMR的這一大優(yōu)點將會有力地推動很多自然語言處理領(lǐng)域應(yīng)用的發(fā)展，例如文本摘要、實體鏈接、信息抽取、問答系統(tǒng)、機器翻譯等。
　　近年來，對

2、AMR解析算法的研究受到了國內(nèi)外研究者們的廣泛關(guān)注，先后有多種不同的AMR解析算法被提出，但性能都還相對較低，目前對AMR解析算法的研究還處于初級發(fā)展階段。本文在深入比較分析了現(xiàn)有各種AMR解析算法的基礎(chǔ)上，提出了一種新的AMR解析算法。具體地，本文的工作主要包括以下三個方面:
　　(1)深入比較分析了各種AMR相關(guān)的解析算法。按照解析過程與解析策略的不同，將現(xiàn)有的AMR解析算法概括為四種不同的類型:基于圖的AMR解析、基于轉(zhuǎn)移的

3、AMR解析、基于文法的AMR解析和基于機器翻譯的AMR解析，并對這四種類型的解析算法分別進行了深入的比較與分析。
　　(2)設(shè)計與實現(xiàn)了一個基于Shift-Reduce的AMR解析baseline系統(tǒng)，該系統(tǒng)可以實現(xiàn)增量式的AMR解析。在對比研究了AMR圖與依存樹結(jié)構(gòu)差異性的基礎(chǔ)上，對在依存分析中廣泛采用的ARCEAGER動作集進行了適當改進使其應(yīng)用于AMR解析任務(wù)，并分別采用最大熵、支持向量機和前饋神經(jīng)網(wǎng)絡(luò)模型作為轉(zhuǎn)移動作分類器

4、，實現(xiàn)了一個基于貪心解碼過程的AMR解析器。實驗結(jié)果表明，基于最大熵模型和前饋神經(jīng)網(wǎng)絡(luò)模型的分類器獲得了相對較好的AMR解析性能。
　　(3)設(shè)計與實現(xiàn)了一個基于擴展Shift-Reduce和全局解碼的AMR解析系統(tǒng)。該系統(tǒng)主要是對baseline系統(tǒng)進行了改進，首先是對baseline系統(tǒng)中的轉(zhuǎn)移動作集進行了重新設(shè)計，在此基礎(chǔ)上設(shè)計了一種beam-search算法實現(xiàn)對概念和關(guān)系的全局解碼，并針對近似解碼的特性，采用一種最大違背