摘要

得益于神经编码器强大的表示能力，基于神经图的解析器通过利用局部特征已取得极具竞争力的性能。近期研究发现，CRF结构中的非局部特征能够带来性能提升。本文提出一种简单而有效的方法，将非局部特征引入基于局部跨度的解析器训练过程中：通过预测句法成分n-gram的非局部模式，并确保这些非局部模式与局部成分之间的一致性。实验结果表明，该方法在PTB和CTB数据集上均优于自注意力解析器。此外，我们的方法在PTB上实现了当前最优的BERT基线性能（F1值达95.92），在CTB上也取得了优异的表现（F1值为92.31）。在多语言及零样本跨领域设置下，该解析器同样展现出优于或与现有基线相当的性能。