Los puntos clave no están disponibles para este artículo en este momento.
Demostramos que un PCFG no lexicalizado puede analizar con mucha más precisión de lo que se había mostrado anteriormente, al utilizar divisiones de estado simples, motivadas lingüísticamente, que descomponen suposiciones de independencia falsas latentes en una gramática de banco de árboles básica. De hecho, su rendimiento del 86.36% (F1 LP/LR) es mejor que el de los primeros modelos PCFG lexicalizados y sorprendentemente cercano al estado del arte actual. Este resultado tiene usos potenciales más allá de establecer un límite inferior sólido en la máxima precisión posible de los modelos no lexicalizados: un PCFG no lexicalizado es mucho más compacto, más fácil de replicar y más fácil de interpretar que modelos léxicos más complejos, y los algoritmos de análisis son más simples, más ampliamente entendidos, de menor complejidad asintótica y más fáciles de optimizar.
Building similarity graph...
Analyzing shared references across papers
Loading...
Dan Klein
Christopher D. Manning
Stanford University
Building similarity graph...
Analyzing shared references across papers
Loading...
Klein et al. (Wed,) estudiaron esta cuestión.
www.synapsesocial.com/papers/6a08f22daa03afa536e4b6fa — DOI: https://doi.org/10.3115/1075096.1075150
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: