Neural Semantic Parsing with Extremely Rich Symbolic Meaning Representations

要約

現在のオープンドメインのニューラル セマンティクス パーサーは、優れたパフォーマンスを示します。
しかし、それらが生成する記号的意味表現を詳しく調べると、重大な弱点が明らかになります。場合によっては、記号的概念を形成するためにソース テキストから文字シーケンスを単にコピーする傾向があり、トレーニング分布に基づいて最も頻繁に使用される語義をデフォルトにする傾向があります。
語彙オントロジーの階層構造を活用することにより、分類階層における概念の位置に基づいた概念の新しい構成的記号表現を導入します。
この表現により、より豊富な意味情報が提供され、解釈可能性が向上します。
この述語の新しい表現システムを利用するためにニューラル「分類学的」意味パーサーを導入し、新しいチャレンジセットと評価メトリクスを採用して従来の意味表現形式で訓練された標準的なニューラル意味パーサーと比較します。
私たちの実験結果は、はるかに豊富で複雑な意味表現でトレーニングされた分類モデルは、評価に標準的な指標を使用する従来のモデルよりもパフォーマンスがわずかに劣りますが、語彙外の概念を扱う場合にはそれを上回るパフォーマンスを示すことを示しています。
この発見は、データ駆動型の分布的意味と知識ベースの記号表現との結合を目的とした計算意味論の研究にとって励みになります。

要約(オリジナル)

Current open-domain neural semantics parsers show impressive performance. However, closer inspection of the symbolic meaning representations they produce reveals significant weaknesses: sometimes they tend to merely copy character sequences from the source text to form symbolic concepts, defaulting to the most frequent word sense based in the training distribution. By leveraging the hierarchical structure of a lexical ontology, we introduce a novel compositional symbolic representation for concepts based on their position in the taxonomical hierarchy. This representation provides richer semantic information and enhances interpretability. We introduce a neural ‘taxonomical’ semantic parser to utilize this new representation system of predicates, and compare it with a standard neural semantic parser trained on the traditional meaning representation format, employing a novel challenge set and evaluation metric for evaluation. Our experimental findings demonstrate that the taxonomical model, trained on much richer and complex meaning representations, is slightly subordinate in performance to the traditional model using the standard metrics for evaluation, but outperforms it when dealing with out-of-vocabulary concepts. This finding is encouraging for research in computational semantics that aims to combine data-driven distributional meanings with knowledge-based symbolic representations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google