论文解读
这次分享的论文是:
http://hlt.suda.edu.cn/~zhli/papers/liying_ijcai19_dp.pdf
是由SUDA-HLT实验室LA组的博士二年级学生李英发表在2019IJCAI上的一篇文章。
根据这个题目Self-attentive Biaffine Dependency Parsing你可能会想到经典的biaffine parser(不了解的点这个链接):
https://arxiv.org/pdf/1611.01734.pdf
和Transformer的Encoder:
https://papers.nips.cc/paper/7181-attention-is-all-you-need.pdf
对,就是这样的,可以说是强强联合,将目前的parser SOTA模型(biaffine parser based bilstm)的提取特征层(bilstm)替换成self-attention(Transformer的Encoder层)来提取特征。效果和用bilstm的效果几乎是一样的:
LAS基本一样,但是这篇文章新颖的点在哪里呢?
1.第一次将self-attention使用在parser里
2.获得了和SOTA模型几乎一样的性能
3.同样相似的效果但不同类型的encoder(bilstm和self-attention)ensemble起来效果会更好
4.验证了最新的预训练数据(ELMo和BERT)能够提高parser的性能。
5.速度上,并行的self-attention肯定比bilstm要快。
总结
做个总结吧,ijcai是一类顶会,宏观角度看这篇文章
1. 很前沿:
2. 很认真(苦力):
发顶会应该就这两点:前沿+认真!
加油,希望我和你也能来一篇。
推荐阅读:
【一分钟论文】 NAACL2019-使用感知句法词表示的句法增强神经机器翻译
【一分钟论文】Semi-supervised Sequence Learning半监督序列学习