Core Concepts
Ensemble-Methoden verbessern das unüberwachte diskontinuierliche Konstituentenparsen.
Abstract
Abstract:
Vorschlag zur Baum-Mittelung für stabileres und leistungsstärkeres Parsen.
Analyse der Rechenkomplexität für verschiedene Setups.
Effizienter Algorithmus entwickelt, der in Experimenten überzeugende Ergebnisse zeigt.
Einführung:
Unüberwachtes Parsen reduziert Abhängigkeit von annotierten Daten.
Bedeutung des Konstituentenbaums in der Linguistik.
Ansatz:
Unüberwachtes diskontinuierliches Konstituentenparsen ohne annotierte Daten.
TN-LCFRS-Modelle als individuelle Ensembles.
Effiziente Suche nach durchschnittlichem Konstituentenbaum.
Experimente:
Verbesserung der Performance durch Ensemble-Methoden.
Nicht-binäre Ensembles übertreffen binäre in allen Metriken.
Anzahl der Ensemble-Individuen beeinflusst die Leistung.
Ergebnisse und Analysen:
Nicht-binäre Ensembles reduzieren falsch positive Konstituenten.
Anzahl der Individuen im Ensemble beeinflusst die Leistung.
Effizienz des Algorithmus durch Pruning und Suchtechniken.
Verwandte Arbeit:
Ensemble-Methoden zur Verbesserung der Parsing-Leistung.
Bedeutung von nicht-binären Strukturen im Parsen.
Stats
Wir schlagen eine Baum-Mittelung für das unüberwachte diskontinuierliche Konstituentenparsen vor.
TN-LCFRS-Modelle als individuelle Ensembles.
Effiziente Suche nach durchschnittlichem Konstituentenbaum.
Quotes
"Unüberwachtes Parsen reduziert Abhängigkeit von annotierten Daten."
"Ensemble-Methoden verbessern das unüberwachte diskontinuierliche Konstituentenparsen."