構成要素のヘッド性の学習

要旨: 頭部性は統語解析における組織化の手段として広く用いられているが、構成素木データセットはそれを明示的にエンコードすることは稀であり、ほとんどの処理パイプラインはペコレーション規則を介して手続き的にそれを再取得する。私たちはこの構成素の頭部性の概念を明示的な表現レイヤとして扱い、整列した構成素と依存アノテーションに対する監視付き予測タスクとして学習し、各構成素の頭を依存関係スパンの頭として定義することによって監督を誘導する。整列した英語と中国語データに対して、得られたモデルは内部的な精度がほぼ天井に達し、Collins式の規則ベースのパーコレーションを大幅に上回る。予測された頭は、頭部駆動の二値化の下でパース精度と同等の結果を生み、誘導された二値トレーニングターゲットが頭の選択に大きく依存せずほぼ同等であることと整合しており、決定論的な構成素から依存関係への変換の忠実度を高め、単純なラベルマッピングインターフェースの下でリソース間および言語間へ移行させる。