融合目标端句法的AMR-to-Text生成

AMR-to-Text Generation with Target Syntax

抽象语义表示到文本(AMR-to-Text)生成的任务是给定AMR图,生成相同语义表示的文本。可以把此任务当作一个从源端AMR图到目标端句子的机器翻译任务。目前存在的一些方法都在探索如何更好地对图结构进行建模。然而,它们都存在一个未限定的问题,因为在生成阶段许多句法的决策并不受语义图的约束,从而忽略了句子内部潜藏的句法信息。为了明确考虑这一不足,该文提出一种直接而有效的方法,显式地在AMR-to-Text生成的任务中融入句法信息,并在Transformer和目前该任务最优性能的模型上进行了实验。实验结果表明,在现存的两份标准英文数据集LDC2015E86和LDC2017T10上,该方法取得了显著的性能提升。

The task of AMR-to-Text generation is to generate text with the same semantic representation given an AMR graph.This task can be viewed as a translation task from the source AMR graph to the target sentence.To capture the syntactic information hidden within the sentence,this paper proposes a direct and effective method of integrating syntactic information in the AMR-to-Text task.Experiments on Transformer and the top-performed model the task show that,on the two existing standard English data sets LDC2015 E86 and LDC2017 T10,both have achieved significant improvements.