스택형 의존 구문 분석기

우리는 자연어 문장의 의존 구조를 예측하기 위해 학습하는 스택형 프레임워크를 탐구합니다. 그래프 기반 의존 구문 분석의 전형적인 접근 방식은 분리된 모델을 가정하며, 이 모델에서는 지역 특성을 사용하지만 전역 함수를 최적화합니다 (McDonald et al., 2005b). 최근 Nivre와 McDonald (2008)는 하나의 의존 구문 분석기의 출력을 사용하여 다른 분석기에 대한 특성을 제공했습니다. 우리는 이것이 스택형 학습의 한 예이며, 두 번째 예측기가 첫 번째 예측기의 성능을 향상시키도록 훈련된다고 보여줍니다. 또한 이 기술이 효율적이고 모델 최적의 예측을 희생하지 않으면서 두 번째 분석기에서 풍부한 비지역 특성을 근사하는 새로운 방법이라고 주장합니다. 12개 언어에 대한 실험 결과, 전이 기반 및 그래프 기반 분석기를 스택하여 기존의 최첨단 의존 구문 분석기보다 성능이 향상됨을 보여줍니다.