Synergizing Machine Learning & Symbolic Methods: A Survey on Hybrid Approaches to Natural Language Processing

要約

機械学習と記号的アプローチの進歩により、自然言語処理 (NLP) における長所と短所が浮き彫りになりました。
機械学習のアプローチは、データ内のパターンを識別する点では強力ですが、NLP タスクに必要な常識や事実の知識を学習する点では不十分であることがよくあります。
一方、シンボリック手法は、知識が豊富なデータを表現することに優れています。
しかし、動的データを適応させて知識を一般化するのに苦労しています。
ハイブリッド アプローチを通じてこれら 2 つのパラダイムの橋渡しをすることで、両方の強みを維持しながら、両方の弱点を軽減することができます。
最近の研究では、この結合の利点が称賛され、さまざまな NLP タスクで有望な結果が得られることが示されています。
このホワイトペーパーでは、NLP に使用されるハイブリッド アプローチの概要を示します。
具体的には、自然言語の理解、生成、推論を必要とする幅広い NLP タスクに使用される最先端のハイブリッド アプローチを詳しく掘り下げます。
さらに、NLP のハイブリッド アプローチに利用できる既存のリソースと課題について説明し、将来の方向性のロードマップを提供します。

要約(オリジナル)

The advancement of machine learning and symbolic approaches have underscored their strengths and weaknesses in Natural Language Processing (NLP). While machine learning approaches are powerful in identifying patterns in data, they often fall short in learning commonsense and the factual knowledge required for the NLP tasks. Meanwhile, the symbolic methods excel in representing knowledge-rich data. However, they struggle to adapt dynamic data and generalize the knowledge. Bridging these two paradigms through hybrid approaches enables the alleviation of weaknesses in both while preserving their strengths. Recent studies extol the virtues of this union, showcasing promising results in a wide range of NLP tasks. In this paper, we present an overview of hybrid approaches used for NLP. Specifically, we delve into the state-of-the-art hybrid approaches used for a broad spectrum of NLP tasks requiring natural language understanding, generation, and reasoning. Furthermore, we discuss the existing resources available for hybrid approaches for NLP along with the challenges, offering a roadmap for future directions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google