论文 A Graph-to-Sequence Model for AMR-to-Text Generation 阅读笔记

最新推荐文章于 2022-11-06 20:17:06 发布
最新推荐文章于 2022-11-06 20:17:06 发布
阅读量6.5k 收藏 3
点赞数 2
文章标签： 人工智能 深度学习 数据挖掘 自然语言处理
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40637341/article/details/104974079
版权

论文发表在2018 ACL上，论文地址：https://arxiv.org/abs/1805.02473
本篇文章主要详细叙述了该论文的主要内容，全部都由自己总结，若文章有地方不正确或与读者想法不一致，欢迎在评论区中提出讨论.

AMR与AMR-to-Text Generation

AMR(Abstract Meaning Representation)：a semantic formalism that encodes the meaning of a sentence as a rooted, directed graph.
AMR-to-Text Generation：to recover a text representing the same meaning as an input AMR graph.
在这里插入图片描述

sequence-to-sequence model

对AMR图作深度优先遍历，获得一个序列v1, . . . , vN，N为tokens的个数，例如上述AMR图的例子遍历后的序列为:“describe :arg0 ( person :name ( name :op1 ryan ) ) :arg1 person :arg2 genius”. （PS:我们可以看到，在AMR原图上“describe” and “genius”直接相连，而在序列上的距离为14

最低0.47元/天 解锁文章
Yuan Jinjie
关注
论文阅读笔记(二)：Few-shot Knowledge Graph-to-Text Generation with Pretrained Language Models
weixin_43576804的博客
06-13 1243
“知识是基础，汗水是实践，灵感是思想火花，思想火花人人有，不要放弃它。Chance favors the prepared mind.”——袁隆平寄语青年人
A Graph-to-Sequence Model for AMR-to-Text Generation读书笔记
sjh18813050566的专栏
01-27 1427
发表于ACL2018 AMR-to-Text以往的方法使用seq2seq模型，利用深度优先搜索将AMR变成序列，再利用LSTM模型编码，采用Encoder-Decoder方法得到Text。这类方法会损失AMR结构信息，某些相邻结点在序列中可能距离很远，不利于信息传递。 本文使用图上的LSTM对每个结点编码，再利用Encoder-Decoder方法得到Text。采用多步信息传递，每步传递时，每个...
ACl2019|使用Graph-to-Sequence模型为中文文章生成连贯的评论
weixin_30764137的博客
07-08 568
Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model 摘要   自动文章评论有助于鼓励用户参与和在线新闻平台上的互动。然而，对于传统的基于encoder-decoder的模型来说，新闻文档通常太长，这往往会导致一般性和不相关的评论。在本文中，我们提出使用一个Graph-to-Sequence的...
Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model-论文阅读笔记
机器学习专栏
08-20 928
文章ACL2019 - Coherent Comment Generation for Chinese Articles with a Graph-to-Sequence Model Codehttps://github.com/lancopku/Graph-to-seq-comment-generation Data 论文研究内容 根据新闻title和文章自动评论Comments ...
利用AMR进行摘要式文本综述
易火九天的博客
01-19 4615
Toward Abstractive Summarization Using Semantic Representations Liu, F. , Flanigan, J. , Thomson, S. , Sadeh, N. , & Smith, N. A. . (2018). Toward abstractive summarization using semantic represe...
Graph-to-Sequence Learning using Gated Graph Neural Networks
土豆面炸鸡饭
10-13 4682
                                                                           基于门控图网络的图到序列学习                                                                                                   摘要       ...
Dual Graph: a graph-based method for reasoning about label noise 解读
weixin_61445075的博客
03-25 2208
现有的limitation： 被选择的样本不能利用所有的数据的信息，尤其是标签 被破坏的情况。 作者的novelties：DualGraph 捕获了标签之间的structural relations，包括两个level：instance-level，distribution-level。实例层面利用实例的相似性表征样本的类别，分布层面描述每个sample和其他sample的实例相似度分布。 通过instance similarity的分布来优化instance-level的关系。 训练了两个网络，在r
GNN图网络 之 生成模型（graph generative networks)---GRAPH-TO-GRAPH(JTNN-junction tree)
qq_36710839的博客
11-26 4437
最近开始看图网络相关的论文。（日常流水账记录） 深度学习火了这么多年，感觉已经是一片红海。但是从深度学习这一成功例子中衍生出来的GNN网络目前为止还算是一篇蓝海。仅仅是从CNN中照搬过去的pooling，attention，rnn，VAE，GAN等等概念，都已经发了很多篇顶会，而且日期基本上围绕在18年左右。因此这一领域确实大有可为。 根据老师的安排，我开始看GNN里面跟生成模型相关的论文，去...
【论文泛读】GPT-too: A language-model-first approach for AMR-to-text generation
⛄
04-01 274
摘要 抽象意义表征(AMR)是复盖广泛的句子级语义图。 问题 现有的从 AMR 生成文本的方法集中于仅在 AMR 标注的数据上训练序列到序列或图形到序列的模型。 解决对策 提出了一种将强大的预训练语言模型与基于循环一致性的重新评分相结合的方法。 创新点 这些模型在英文 LDC2017T10 数据集上的性能优于所有以前的技术，包括最近使用的变压器架构。 除了标准的评估指标之外，我们还提供了人工评估实验，进一步证明了我们方法的有效性。 ...
AMR_AS_GRAPH_PREDICTION
05-29
AMR 作为图形预测 该存储库包含用于训练和使用抽象含义表示模型的代码： 如果您使用我们的代码，请按如下方式引用我们的论文： @inproceedings{Lyu2018AMRPA， title={AMR Parsing as Graph Prediction with Latent Alignment}, 作者={Chunchuan Lyu and Ivan Titov}, booktitle={计算语言学协会年会论文集}， 年={2018} } 先决条件 Python 3.6 Stanford Corenlp 3.9.1（python 包装器与新包装器不兼容） pytorch 0.20 嵌入 配置 设置特征提取所依赖的。 相应地更改实用程序/常量.py 中的文件路径。 前处理 a) 将所有*.txt文件合并为一个文件，并使用 Stanford CoreNLP 提取 ner
论文阅读：GPT-too- A language-model-first approach for AMR-to-text generation Manuel
最新发布
qq_42902997的博客
11-06 396
为了优化生成模型(GPT-2) 对于条件文本的生成任务，以前的工作通过使用 additional 的 source text 预测 target text 的方式来微调语言模型（就是拿一些下游任务的新文本，将每段文本的前 n 个词作为 source text， n+1 个词作为 target 来微调下游任务）我们的系统在BPE解码后产生 de-tokenized 的大小写输出，而以前的系统产生传统的 tokenized 的小写输出。将他们的联合概率作为优化目标，我们想最大化这个联合的概率分布。
[自然语言处理]Text Generation Wiki
LeYOUNGER的博客
10-18 1670
摘要 收集一些文本生成方面的资源 博客资源 https://www.jianshu.com/p/341d63cf8a3b Github 资源 SeqGAN SeqGAN作者实现：https://github.com/LantaoYu/SeqGAN SeqGAN中文诗歌：https://github.com/TobiasLee/SeqGAN_Poem QANet https://g...
【AI视野·今日NLP 自然语言处理论文速览 第三十一期】Fri, 15 Apr 2022
TomRen
04-19 600
AI视野·今日CS.NLP 自然语言处理论文速览 Fri, 15 Apr 2022 Totally 33 papers 👉上期速览✈更多精彩请移步主页 Daily Computation and Language Papers FREDA: Flexible Relation Extraction Data Annotation Authors Michael Strobl, Amine Trabelsi, Osmar Zaiane为了有效地训练准确的关系提取模型，需要足够且正确标记的数据。.
Generation-A
Code Metaverse
11-26 1091
歌曲名称：generation a アニメロサマーライブ2007テーマソングgeneration a 进入 日本群星 ALI PROJECT(宝野アリカ) 近江知永 奥井雅美 栗林みな実 サイキックラバー Cy-Rim rev. JAM Project 樹海 Suara 高橋直純 茅原実里 水樹奈々 m.o.v.e 日本武道館にて４時間を越えるステージで１万人を興奮させた2006年の“
ACL 2018 ACCEPTED PAPER
热门推荐
AI小白入门的博客
10-04 1万+
ACL 2018接受了258篇长论文和126篇短论文，总体接受率为24.9％。 论文官方地址：https://acl2018.org/programme/papers/ 详细如下： Long Papers A Framework for Representing Language Acquisition in a Population Setting. Jordan Kodner, Christo...
DuoRC: Towards Complex Language Understanding with Paraphrased Reading Comprehension读书笔记
sjh18813050566的专栏
01-27 321
发表于ACL2018 构建了DuoRC数据集，是一个大规模复杂阅读理解任务，问题和文本的重合度低，且有大量叙述成分需要常识和推理。
TransNet: Translation-Based Network Representation Learning for Social Relation Extraction 笔记
test
03-15 1920
更多图神经网络和深度学习内容请移步： 基本信息 论文链接 论文代码 Abstract :::tips Conventional network representation learning (NRL) models learn low-dimensional vertex representations by simply regarding each edge as a binary or continuous value. However, there exists rich semantic in
本周值得读 | ACL2017、对话系统、GAN……总有一篇适合你！
人工智能
04-09 1万+
#ACL2017 论文推荐# AMR-to-text Generation with Synchronous Node Replacement Grammar 本文工作来自 PaperWeekly 群友 Linfeng Song。研究从 AMR 图的生成含有对应语义的文本，该方法采用同步图文法（Synchronous Node Replacement Grammar，源端是图片段目标端
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值