将复杂句子转换为简单句子覆盖集的图框架

分解复杂的句子有助于选择摘要中的内容或提取原子命题进行问答。最近的一篇论文提出了一项新的自然语言处理任务，其中复杂的句子必须分解为一组简单的句子。例如，将“素日生于福建，17岁出家”改写为“素日生于福建”和“素日17岁出家”。

由于大多数重写都涉及类似的操作，研究人员提出了一种神经模型，该模型可以学习接受、中断、复制或删除表示单词邻接和语法依赖关系的句子图元素。建议的模型实现了与基线相当或更好的性能。它有选择地整合了基于解析方法的语言精度、图的表达能力以及神经网络的表征学习能力。

原子从句是理解复杂句子的基本文本单元。识别复杂句子中的原子句子对于摘要、论证挖掘、话语分析、话语解析和问答等应用很重要。以前的工作主要依赖于依赖解析的基于规则的方法。我们提出了一项新任务，将每个复杂句子分解为从源中的时态子句派生的简单句子，以及一个新的问题表述作为图形编辑任务。我们的神经模型学习接受、中断、复制或删除结合了单词邻接和语法依赖关系的图的元素。完整的处理管道包括用于图构建、图编辑和从输出图中生成句子的模块。我们介绍 DeSSE，一个旨在训练和评估复杂句子分解的新数据集，以及 MinWikiSplit 的子集 MinWiki。ABCD 在 MinWiki 上实现了与两个解析基线相当的性能。在 DeSSE 上，复杂句子类型的平衡更加均衡，我们的模型在原子句子的数量上实现了比编码器-解码器基线更高的准确度。结果包括详细的错误分析。

标签： 单句子覆盖集