摘要

由于抽象语义表示（Abstract Meaning Representation, AMR）隐含地包含了复合的语义标注，我们假设在语义或形式上与AMR相关联的辅助任务，能够更有效地提升AMR解析性能。我们发现：1）语义角色标注（Semantic Role Labeling, SRL）和依存句法分析（Dependency Parsing, DP）在文本到AMR的转换任务中，相较于其他任务（如机器翻译和文本摘要），即使使用更少的数据，也能带来更大的性能提升；2）为了更好地适配AMR，辅助任务的数据在训练前应被适当“AMR化”为伪AMR（PseudoAMR）表示。通过结构转换，浅层解析任务所蕴含的知识能够更有效地迁移到AMR解析中；3）相较于多任务学习，中间任务学习（Intermediate-task Learning）是一种更优的引入辅助任务的范式。从实证角度出发，我们提出了一种系统化的方法，用于有效引入辅助任务以提升AMR解析性能。大量实验结果表明，该方法在多个基准测试上取得了新的最先进（state-of-the-art）性能，尤其在与图结构相关的评价指标上表现突出。