Robust Subgraph Generation Improves Abstract Meaning Representation Parsing
Stanford University（斯坦福大学）
抽象意义表示（AMR）是一种开放域丰富语义的表示，在事件提取和机器翻译等领域具有潜在的用途。节点生成通常使用简单的字典查找完成，目前是AMR解析中的一个重要限制因素。我们提出了一个小的动作集，通过对文本跨度的转换来获得AMR子图，这使得这个阶段的学习更加强大。我们的构造动作集比以前的方法更好地泛化，并且可以通过简单的分类器学习。我们改进了AMR解析的先前最先进的结果，在LDC 2013 E117和LDC 2014 T12数据集上将端到端性能提高了3 F $_1$。
2015-06-10 cs.CL
SemEval-2021 Task 4: Reading Comprehension of Abstract Meaning
Queen’s University（女王大学）；Northeastern University（东北大学）；University of Science and Technology of China（中国科学技术大学）；iFlytek Research（科大讯飞研究院）
本文介绍了SemEval-2021共享任务4：抽象意义的阅读理解（ReCAM）。这个共享任务旨在帮助评估机器在表示和理解抽象概念方面的能力。在完形填空式的机器阅读理解系统中，给定一篇文章和相应的问题，期望参与系统从五个抽象概念候选中选择正确答案。基于抽象性的两种典型定义，即：由于模型的不可感知性和非特异性，我们的任务提供了三个子任务来评估参与模型。具体来说，子任务1旨在评估系统对物理世界中无法直接感知的概念建模的能力。子任务2主要考察模型在文章语境中理解上位词层次中非特定概念的能力。子任务3旨在提供一些关于模型在两种抽象类型上的可推广性的见解。在SemEval-2021正式评估期间，我们收到了23份子任务1和28份子任务2的提交。参与团队还向子任务3提交了29份报告。排行榜和竞赛网站可以在https://competitions.codalab.org/competitions/26153上找到。数据和基线代码可在https://github.com/boyuanzheng010/SemEval2021-Reading-Comprehension-of-Abstract-Meaning上获得。
2021-06-01 cs.CL
Survey of Abstract Meaning Representation: Then, Now, Future
University of Southern Maine（南缅因大学）
本文综述了抽象语义表示（AMR）的框架、解析与生成任务及其应用，并展望了未来研究方向。
2025-05-06 cs.CL
Persian Abstract Meaning Representation: Annotation Guidelines and Gold Standard Dataset
Sharif University of Technology（谢里夫理工大学）；Carleton University（卡尔顿大学）；Leipzing University（莱比锡大学）；Allameh Tabataba'i University（阿拉姆·塔巴塔巴伊大学）
本文提出波斯语AMR标注指南及含1,562句的黄金标准数据集，通过适应波斯语句法结构，揭示低资源语言AMR标注的挑战，推动通用意义表示框架发展。
2025-04-19 cs.CL
Cross-lingual Abstract Meaning Representation Parsing
University of Edinburgh（爱丁堡大学）
摘要意义表示（AMR）注释工作主要集中在英语上。为了训练其他语言的语法分析器，我们提出了一种基于注释投影的方法，该方法涉及利用源语言中的注释以及源语言和目标语言的并行语料库。使用英语作为源语言，我们显示了意大利语，西班牙语，德语和中文作为目标语言的可喜成果。除了在非黄金数据集上评估目标解析器之外，我们还提出了一种评估方法，该方法利用英语黄金注释，并且不需要访问目标语言的黄金注释。这是通过颠倒投影过程来实现的：从目标语言解析器学习新的英语解析器，并根据现有的英语黄金标准进行评估。
2018-02-24 cs.CL
Text Summarization using Abstract Meaning Representation
CSE Department, IIT Kanpur（印度理工学院坎普尔分校计算机科学与工程系）；Microsoft Research, Bangalore（微软研究院班加罗尔）
随着互联网上文本的不断增长，摘要的自动生成仍然是自然语言理解的一个重要问题。在这项工作中，我们探索了一种新颖的完整的管道，用于文本摘要，中间步骤是抽象意义表示（AMR）。我们提出的流水线首先生成输入故事的AMR图，通过AMR图提取摘要图，最后从摘要图生成摘要句子。我们提出的方法实现了国家的最先进的结果相比，其他文本摘要例程的基础上AMR。同时指出了现有评价方法中存在的一些问题，这些问题使它们不适合于对摘要质量的评价。
2017-07-17 cs.CL
An Incremental Parser for Abstract Meaning Representation
University of Edinburgh（爱丁堡大学）；University of Padua（帕多瓦大学）
语义表示（AMR）是一种自然语言的语义表示，其嵌入与传统任务相关的注释，诸如命名实体识别、语义角色标注、词义消歧和共指消解。我们描述了一个基于转换的AMR解析器，它在线性时间内从左到右解析句子。我们进一步提出了一个测试套件，评估有助于比较AMR解析器的特定子任务，并表明我们的解析器在LDC2015E86数据集上与最先进的解析器竞争，并且在恢复命名实体和处理极性方面优于最先进的解析器。
2017-04-10 cs.CL
Supervised Syntax-based Alignment between English Sentences and Abstract Meaning Representation Graphs
Japan Science and Technology Agency（日本科学技术振兴机构）；Graduate School of Informatics, Kyoto University（京都大学信息学研究科）
由于英语句子和AMR标注中的AMR图之间没有对齐链接，自动对齐对于训练AMR解析器是必不可少的。以前的研究将其形式化为一个字符串到字符串的问题，并解决它在一个无监督的方式，这遭受数据稀疏，由于小尺寸的训练数据英语AMR对齐。在本文中，我们将其形式化为基于语法的对齐问题，并基于语法树以有监督的方式解决它，通过将英语AMR标记推广到语法标记来解决数据稀疏问题。实验结果表明，该方法不仅对英语AMR对齐有效，而且对AMR句法分析也有效。
2017-02-18 cs.CL
Lost in Translationese? Reducing Translation Effect Using Abstract Meaning Representation
Georgetown University（乔治城大学）
本研究提出翻译腔消减新任务，采用基于抽象语义表示（AMR）的中间语方法，通过解析-生成流程降低翻译腔，在三项指标上优于其他三种对比技术，验证了AMR的效用。
2024-01-29 cs.CL
Measuring Fine-Grained Semantic Equivalence with Abstract Meaning Representation
Georgetown University（乔治城大学）
识别语义等价的句子对于许多跨语言和单语言NLP任务都很重要。目前的语义等价方法对“等价”采取了一种松散的、中间层次的方法，尽管以前的证据表明细粒度的差异和隐含的内容对人类的理解（Roth和Anthonio，2021）和系统性能（Briakou和Carpuat，2021）有影响。在这项工作中，我们引入了一种新的，更敏感的方法，利用抽象意义表示图结构的特征语义等价。我们开发了一种方法，它可以用于黄金或自动AMR注释，并证明我们的解决方案实际上是细粒度比现有的语料库过滤方法和更准确地预测严格等价的句子比现有的语义相似性度量。我们建议，我们的更细粒度的语义等价性的措施可以限制在人类编辑后的机器翻译的任务，并在人类评价句子相似性的工作量。
2022-10-06 cs.CL
Intensionalizing Abstract Meaning Representations: Non-Veridicality and Scope
Emory University（埃默里大学）；Massachusetts Institute of Technology（麻省理工学院）
抽象意义表示（AMR）是一种图形化的意义表示语言，用于表示关于论元结构的命题信息。然而，目前它不能令人满意地表示非真实的内涵语境，往往许可不适当的推理。在本文中，我们展示了如何解决非真实性的问题，而不呼吁分层图，通过从AMR到简单类型的λ演算（STLC）的映射。至少在某些情况下，这需要引入一个新的角色：作为内涵运营商的内容。翻译建议的灵感来自正式语言学文献的事件语义的态度报告。接下来，我们讨论了量词范围和内涵运算符在所谓的de re/de dicto歧义中的相互作用。我们采用了一个范围节点从文献中，并提供了一个明确的多维语义利用库珀存储，使我们能够获得的德雷和德dicto范围的读数以及中间范围的读数，证明很难没有一个范围节点的帐户。
2021-09-20 cs.CL
LLMs Struggle with Abstract Meaning Comprehension More Than Expected
Department of Computer Science and Engineering, The Ohio State University（俄亥俄州立大学计算机科学与工程系）
研究发现大语言模型在零样本、一样本和少样本设置下难以理解抽象意义，而微调模型如BERT和RoBERTa表现更好，提出的双向注意力分类器通过动态关注段落和选项提升模型性能。
2026-04-13 cs.AI cs.CL
Scene Abstraction for Lexical Semantics: Structured Representations of Situated Meaning
The University of Texas at Austin（德克萨斯大学奥斯汀分校）；University of Massachusetts, Amherst（马萨诸塞大学阿默斯特分校）
提出场景抽象框架，通过少样本提示大语言模型构建词汇使用情境的结构化表示，实验证明场景可可靠识别且优于基线方法。
2026-05-22 cs.CL
Using Syntax-Based Machine Translation to Parse English into Abstract Meaning Representation
Information Sciences Institute（信息科学研究所）；University of Southern California（南加州大学）
我们提出了一个分析器的抽象意义表示（AMR）。我们对待英语AMR转换的框架内，字符串到树，基于语法的机器翻译（SBMT）。为了完成这项工作，我们将AMR结构转换为适合SBMT力学和建模的形式。我们引入了AMR特定的语言模型，并添加了从语义资源中提取的数据和特征。我们得到的AMR解析器提高了7个Smatch点的最先进的结果。
2015-04-28 cs.AI cs.CL
Unsupervised Syntactically Controlled Paraphrase Generation with Abstract Meaning Representations
University of California, Los Angeles（加州大学洛杉矶分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Amazon Alexa AI（亚马逊 Alexa AI）
句法控制的释义生成是近年来新兴的研究方向。大多数现有的方法需要注释的释义对的训练，因此昂贵的扩展到新的领域。另一方面，无监督方法不需要释义对，但在句法控制和生成的释义质量方面表现相对较差。在本文中，我们证明，利用抽象意义表示（AMR）可以大大提高无监督的语法控制的释义生成的性能。我们提出的模型，AMR增强的释义生成器（AMRPG），分别编码AMR图和选区分析的输入句子到两个解开语义和句法嵌入。然后，解码器学习从语义和句法嵌入重构输入句子。我们的实验表明，AMRPG生成更准确的语法控制的释义，定量和定性，相比现有的无监督的方法。我们还证明了AMRPG生成的释义可以用于数据增强，以提高NLP模型的鲁棒性。
2022-11-02 cs.CL
MASSIVE Multilingual Abstract Meaning Representation: A Dataset and Baselines for Hallucination Detection
Paul G. Allen School of Computer Science & Engineering（保罗·G·艾伦计算机科学与工程学院）；Georgetown University（乔治城大学）；University of Colorado Boulder（科罗拉多大学博尔德分校）；Amazon（亚马逊）
本文提出 MASSIVE-AMR 数据集，包含超 84,000 条跨 50 多种语言的文本到图标注，并基于大语言模型建立多语言 AMR 与 SPARQL 解析及幻觉检测基线，揭示了 LLM 在结构化解析中的持续问题。
2024-05-29 cs.CL
Neural Semantic Parsing by Character-based Translation: Experiments with Abstract Meaning Representations
Center for Language and Cognition Groningen (CLCG), University of Groningen（格罗宁根大学语言与认知中心）
我们评估的字符级翻译方法的神经语义解析的大型语料库的句子注释与抽象意义表示（AMR）。使用序列到序列模型，以及AMR的一些琐碎的预处理和后处理，我们获得了53.1的基线准确度（AMR三元组的F分数）。我们研究了五种不同的方法来改善这个基线结果：（i）重新排序AMR分支以匹配输入句子的词序，将性能提高到58.3;（ii）添加词性标记（自动生成）的输入也显示出改进（57.2）;（iii）超级字符的引入也是如此（将频繁字符序列合并为单个字符），达到57.4;（iv）通过使用预训练和平均一组模型来优化训练过程，将性能提高到58.7;（v）添加由现成的解析器获得的银标准训练数据产生最大的改进，导致64.0的F分数。结合所有五种技术，在保持数据上的F分数为71.0，这在AMR解析中是最先进的。这是值得注意的，因为该方法相对简单。
2017-10-09 cs.CL
AMR-RE: Abstract Meaning Representations for Retrieval-Based In-Context Learning in Relation Extraction
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；National Institute of Information and Communications Technology (NICT)（信息通信研究机构）；Kyoto University（京都大学）；Kyoto Institute of Technology（京都工艺纤维大学）
针对关系抽取中上下文学习重语言相似性轻结构相似性导致忽略实体关系的问题，提出AMR增强的基于检索的ICL方法，通过语义结构相似性检索示例，在无监督设置下全面超越基线，并在监督设置下于多数数据集达到最优。
2025-04-25 cs.CL
Improving Medical Dialogue Generation with Abstract Meaning Representations
The University of Manchester（曼彻斯特大学）；The University of Surrey（萨里大学）
本文提出利用抽象语义表示（AMR）图建模医疗对话，并通过双重注意力机制融合文本与图形知识，以提升医学知识和逻辑关系的表示能力，实验证明其在医疗对话生成上优于强基线模型。
2023-09-19 cs.CL
Learning Symbolic Rules over Abstract Meaning Representations for Textual Reinforcement Learning
IBM Research（IBM研究院）
本文提出神经符号文本智能体NESTA，结合语义解析与规则归纳学习可解释策略，在文本游戏基准上比深度强化学习方法具有更好的泛化能力和样本效率。
2023-07-05 cs.CL
Abstract Meaning Representation for Hospital Discharge Summarization
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对大语言模型幻觉在临床出院小结自动生成中风险高的问题，本研究提出结合语言类图结构与深度学习模型的新方法，在MIMIC-III语料和匿名医院临床笔记上实现了高可靠性，并开源相关资源。
2025-06-17 cs.CL
Exploiting Abstract Meaning Representation for Open-Domain Question Answering
Zhejiang University（浙江大学）；School of Engineering, Westlake University（西湖大学工程学院）；Fudan University（复旦大学）；Amazon AWS AI（亚马逊AWS人工智能）
本文提出Graph-as-Token方法，将抽象意义表示图融入预训练语言模型以增强开放域问答的语义理解，在NQ和TQ上显著提升精确匹配分数并优于图神经网络方法。
2023-05-26 cs.CL
Modeling the language cortex with form-independent and enriched representations of sentence meaning reveals remarkable semantic abstractness
University of California San Diego（加州大学圣地亚哥分校）；ShanghaiTech University（上海科技大学）；Kempner Institute, Harvard University（哈佛大学凯普勒研究所）；Shanghai Jiao Tong University（上海交通大学）；Carnegie Mellon University（卡内基梅隆大学）；Massachusetts Institute of Technology（麻省理工学院）
该研究通过视觉与语言模型表征建模语言皮层神经响应，证实语言皮层存在高度抽象、形式无关且比语言模型更丰富宽泛的语义表征。
2025-09-27 cs.CL cs.LG
Retrofitting Multilingual Sentence Embeddings with Abstract Meaning Representation
The Chinese University of Hong Kong（香港中文大学）；DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）
本文提出了一种新的基于抽象意义表示的多语言句子嵌入方法。与原始文本输入相比，AMR是一种结构化的语义表示，它明确无误地表示了句子中的核心概念和关系。它还有助于减少不同表达和语言之间的表面变化。与大多数先前的工作，只评估语义相似性的测量能力，我们提出了一个彻底的评估现有的多语言句子嵌入和我们的改进版本，其中包括一个集合的五个传输任务，在不同的下游应用程序。实验结果表明，利用AMR改进多语言句子嵌入，在语义文本相似度和迁移任务上都有更好的表现。我们的代码库和评估脚本可以在\url{https://github.com/jcyk/MSE-AMR}上找到。
2022-10-18 cs.AI cs.CL
Parsing Indonesian Sentence into Abstract Meaning Representation using Machine Learning Approach
School Of Electrical and Informatics Engineering（电气与信息工程学院）；Institut Teknologi Bandung（万隆理工学院）
摘要语义表征（AMR）在一个表征中提供了句子的语义关系、共指、命名实体关系等信息。然而，对印尼语句子AMR分析的研究相当有限。在本文中，我们开发了一个系统，旨在使用机器学习的方法来解析一个印尼句子。基于Zhang等人的工作，我们的系统包括三个步骤：对预测，标签预测和图构造。配对预测使用依存句法分析组件来获得AMR的单词之间的边缘。配对预测的结果被传递到标签预测过程，该过程使用监督学习算法来预测AMR的边缘之间的标签。我们使用从文章和新闻文章句子中收集的简单句子数据集。我们的模型实现了简单句子测试数据的SMATCH得分为0.820。
2021-03-05 cs.AI cs.CL
What Drives the Use of Metaphorical Language? Negative Insights from Abstractness, Affect, Discourse Coherence and Contextualized Word Representations
University of Stuttgart（斯图加特大学）
给定一个特定的语篇，哪些语篇属性触发了隐喻语言的使用，而不是使用字面上的替代？例如，是什么驱使人们在特定的语境中说“领会意思”而不是“理解意思”？许多自然语言处理隐喻语言的方法依赖于认知和（心理）语言学的见解，并成功地定义了语篇连贯性，抽象性和情感的模型。在这项工作中，我们建立了五个简单的模型依赖于既定的认知和语言属性-频率，抽象性，影响，话语连贯性和语境化的词表示-预测使用的隐喻与同义的字面表达在上下文中。通过比较模型的输出与人类的判断，我们的研究表明，我们选择的属性不足以系统地解释隐喻与字面语言的选择。
2022-05-23 cs.CL
XRJL-HKUST at SemEval-2021 Task 4: WordNet-Enhanced Dual Multi-head Co-Attention for Reading Comprehension of Abstract Meaning
The Hong Kong University of Science and Technology（香港科技大学）
本文介绍了我们提交的系统SemEval 2021任务4：抽象意义的阅读理解。我们的系统使用一个大型的预训练语言模型作为编码器和一个额外的双多头共同注意层，以加强段落和问答对之间的关系，遵循当前最先进的模型DUMA。主要区别在于，我们将问题注意力模块和问题注意力模块叠加在一起，而不是计算注意力模块来模拟再思考过程。我们还增加了一个层归一化模块，以提高我们的模型的性能。此外，为了整合我们已知的抽象概念知识，我们从WordNet中检索候选答案的定义，并将它们作为额外的输入提供给模型。我们的系统，称为WordNet增强的双多头协同注意（WN-DUMA），子任务1和子任务2的官方盲测试集上分别达到86.67%和89.99%的准确率。
2021-03-30 cs.CL cs.LG
Toward Complete Hospital Discharge Summarization with Abstract Meaning Representation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
针对大型语言模型生成出院总结时的幻觉问题，提出基于证据的对齐框架，利用语义图和深度学习实现来源可溯的总结生成，并在MIMIC-III和UIC Health语料库上验证效果。
2026-09-15 cs.CL
Emphasising Structured Information: Integrating Abstract Meaning Representation into LLMs for Enhanced Open-Domain Dialogue Evaluation
针对开放域对话评估中对抗性负样本的挑战，提出一种将抽象意义表示（AMR）增强的特定领域语言模型与大语言模型集成的评估框架，通过门控机制和提示融合显著提升了与人类判断的相关性。
2025-09-16 cs.CL
Joint Parsing and Generation for Abstractive Summarization
University of Central Florida（中佛罗里达大学）；Fudan University（复旦大学）；Tencent AI Lab（腾讯AI实验室）
由抽象摘要系统生成的句子可能是不合语法的，并且无法保留原始含义，尽管它们在局部是流畅的。在本文中，我们提出了解决这个问题，联合生成一个句子和它的句法依赖分析，同时执行抽象。如果生成一个单词会给摘要引入一个错误的关系，那么必须阻止这种行为。因此，所提出的方法有望产生合乎语法的句子，并鼓励总结保持真实的原始。我们对这项工作的贡献是双重的。首先，我们提出了一种新的神经架构的抽象摘要，结合了顺序解码器与基于树的解码器在同步的方式来生成一个摘要句子和它的语法分析。其次，我们描述了一种新的人类评估协议，以评估是否以及在何种程度上，摘要仍然是真实的，其原始含义。我们评估了我们的方法在一些摘要数据集，并展示了竞争力的结果对强大的基线。
2019-11-23 cs.CL
Visual Semantic Parsing: From Images to Abstract Meaning Representation
Samsung AI Centre - Toronto（三星人工智能中心——多伦多）；Queen’s University（女王大学）；Rutgers University（罗格斯大学）
用于视觉场景理解的场景图的成功已经引起了对抽象视觉输入（例如，图像）转换为结构化表示，其中实体（人和对象）是通过指定它们的关系的边连接的节点。然而，构建这些表示需要昂贵的手动注释，其形式为图像与其场景图或帧配对。这些形式主义仍然局限于它们所能捕捉的实体和关系的性质。在本文中，我们建议利用广泛使用的意义表示领域的自然语言处理，抽象意义表示（AMR），以解决这些缺点。与场景图相比，它在很大程度上强调空间关系，我们的视觉AMR图更语言上知情，重点是从视觉输入推断出的更高层次的语义概念。此外，它们允许我们生成元AMR图，以统一在一个表示下的多个图像描述中包含的信息。通过大量的实验和分析，我们证明，我们可以重新利用现有的文本到AMR解析器解析图像到AMR。我们的研究结果指出了未来重要的研究方向，以提高场景理解。
2022-10-27 cs.CL cs.CV cs.LG
Transition-based Abstract Meaning Representation Parsing with Contextual Embeddings
University of Oxford（牛津大学）；The University of Edinburgh（爱丁堡大学）
理解和生成语言的能力使人类认知有别于其他已知的生命形式。我们研究了在语义解析任务中，将两种最成功的语言意义途径--统计语言模型和符号语义形式主义--结合起来的方法。建立在一个过渡为基础的，抽象意义表示（AMR）解析器，AmrEager，我们探讨了将预先训练的上下文感知的词嵌入-如BERT和RoBERTa-在AMR解析的问题，贡献一个新的解析器，我们称之为AmrBerger的效用。实验发现，这些丰富的词汇功能单独是不是特别有帮助，在提高分析器的整体性能的SMATCH分数相比，非上下文对应时，而额外的概念信息使系统能够超越基线。通过病变研究，我们发现上下文嵌入的使用有助于使系统对显式句法特征的去除更加鲁棒。这些发现揭示了当前形式的上下文嵌入和语言模型的优点和缺点，并促进了对它们的更深入的理解。
2022-06-13 cs.AI cs.CL cs.LG
E-QGen: Educational Lecture Abstract-based Question Generation System
Department of Computer Science, National Yang Ming Chiao Tung University（阳明交通大学计算机科学系）
本文提出基于讲座摘要的问题生成系统E-QGen，能自动生成潜在学生提问，帮助教师提前准备答案并在需要时提供补充资源，从而优化讲座与问答环节的备课流程。
2024-04-21 cs.CL
ZJUKLAB at SemEval-2021 Task 4: Negative Augmentation with Language Model for Reading Comprehension of Abstract Meaning
Zhejiang University & AZFT Joint Lab for Knowledge Engine（浙江大学与AZFT联合知识引擎实验室）；Hangzhou Innovation Center, Zhejiang University（浙江大学杭州创新中心）；Microsoft（微软）
本文介绍了我们的系统SemEval任务4：阅读理解的抽象意义（ReCAM）的三个子任务。我们解释了用于学习我们的模型的算法以及调整算法和选择最佳模型的过程。受ReCAM任务和语言预训练相似性的启发，我们提出了一种简单而有效的技术，即使用语言模型的负增强。评估结果表明，我们所提出的方法的有效性。我们的模型在Subtask 1和Subtask 2的两个官方测试集上都达到了第四名，准确率分别为87.9%和92.8%。我们进一步进行全面的模型分析，并观察有趣的错误情况，这可能会促进未来的研究。
2021-05-23 cs.AI cs.CL cs.IR
Leveraging Abstract Meaning Representation for Knowledge Base Question Answering
IBM Research（IBM研究院）
知识库问答是自然语言处理中的一项重要任务。现有方法面临着重大挑战，包括复杂的问题理解，推理的必要性，以及缺乏大型端到端训练数据集。在这项工作中，我们提出了神经符号问答（NSQA），一个模块化的KBQA系统，它利用（1）抽象意义表示（AMR）解析任务无关的问题理解;（2）一个简单而有效的图转换方法转换AMR解析成候选逻辑查询，是对齐的知识库;（3）基于流水线的方法，其集成了多个可重用模块，这些模块专门针对其单独的任务（语义解析器、实体和关系链接器以及神经符号推理器）而被训练，并且不需要端到端的训练数据。NSQA在基于DBpedia的两个主要KBQA数据集（QALD-9和LC-QuAD 1.0）上实现了最先进的性能。此外，我们的分析强调，AMR是一个强大的工具，KBQA系统。
2021-06-02 cs.AI cs.CL
Neural Network-Based Abstract Generation for Opinions and Arguments
Google DeepMind（谷歌DeepMind）
我们研究的问题，产生的抽象摘要固执己见的文本。我们提出了一个基于注意力的神经网络模型，能够从多个文本单元中吸收信息，构建信息丰富，简洁，流畅的摘要。设计了一种基于重要性的采样方法，允许编码器从输入的重要子集中整合信息。自动评估表明，我们的系统优于国家的最先进的抽象和提取摘要系统上两个新收集的数据集的电影评论和论点。我们的系统摘要在人类评估中也被评为信息量更大，语法更合理。
2016-06-09 cs.CL
A Matter of Representation: Towards Graph-Based Abstract Code Generation
University of California, Berkeley（加州大学伯克利分校）；Ramen VR
本研究提出并评估了用于基于图的抽象代码生成的JSON表示，在ScratchTest基准上验证了LLM在正确表示下可单次生成，并表明表示方式显著影响准确率。
2025-10-15 cs.CL
Leveraging Denoised Abstract Meaning Representation for Grammatical Error Correction
Wangxuan Institute of Computer Technology, Peking University（北京大学王选计算机研究所）；Center for Data Science, Peking University（北京大学数据科学中心）
本文提出AMR-GEC模型，首次将去噪后的抽象语义表示（AMR）作为额外知识融入序列到序列语法纠错框架，在BEA-2019和CoNLL-2014任务上达到与强基线相当的性能，并将训练时间减少32%。
2023-07-05 cs.CL
Keyphrase Generation Beyond the Boundaries of Title and Abstract
University of Illinois Chicago（伊利诺伊大学芝加哥分校）
关键短语生成的目的是生成最好地描述给定文档的重要短语（关键短语）。在学术领域，目前的方法主要使用文章的标题和摘要来生成关键词。在本文中，我们全面探讨了来自给定文章全文或语义相似文章的附加信息的整合是否有助于神经关键词生成模型。我们发现，从全文中添加句子，特别是以文章摘要的形式添加句子，可以显着提高文本中存在或不存在的两种类型的关键短语的生成。实验结果与三个广泛使用的模型的关键词生成以及最新的Transformer模型适合较长的文档，Longformer编码器-解码器（LED）验证观察。我们还提出了一个新的大规模学术数据集FullTextKP的关键词生成。与以前的大规模数据集不同，FullTextKP包括文章的全文以及标题和摘要。我们在https://github.com/kgarg8/FullTextKP上发布源代码。
2022-10-21 cs.CL
Amharic Abstractive Text Summarization
Ain-Shams University（艾因夏姆斯大学）
文本摘要是将长文本压缩成几个句子的任务。已经提出了许多方法来完成这项任务，其中一些最早的方法是建立统计模型（提取方法）能够选择重要的单词并将它们复制到输出中，但是这些模型缺乏解释句子的能力，因为它们只是选择重要的单词，而没有真正理解它们的上下文，也没有理解它们的含义，因此使用基于深度学习的架构（抽象方法），它有效地试图理解句子的含义，以建立有意义的摘要。在这项工作中，我们讨论了这些新的新颖的方法之一，结合课程学习与深度学习，这个模型被称为预定采样。我们将这项工作应用于最广泛使用的非洲语言之一，即阿姆哈拉语，因为我们试图用一流的深度学习架构来丰富非洲NLP社区。
2020-03-30 cs.CL cs.LG
"You Are An Expert Linguistic Annotator": Limits of LLMs as Analyzers of Abstract Meaning Representation
Allen Institute for AI（艾伦人工智能研究所）；University of Washington（华盛顿大学）
本文通过零/少样本直接解析与自然语言查询两种设置评估 GPT-3、ChatGPT 和 GPT-4 的 AMR 分析能力，发现其虽能捕捉基本语义结构，但完全准确解析成功率近乎为零。
2023-12-11 cs.AI cs.CL
NUTSHELL: A Dataset for Abstract Generation from Scientific Talks
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）；Fondazione Bruno Kessler（布鲁诺·凯斯勒基金会）
本文提出NUTSHELL数据集，用于科学演讲摘要生成，通过建立基线模型和评估生成摘要质量，揭示SAG的挑战并促进改进模型和评估方法的发展。
2025-06-02 cs.CL
The Grounding Gap: How LLMs Anchor the Meaning of Abstract Concepts Differently from Humans
Department of Informatics（信息学院）；Athens University of Economics and Business（雅典经济与商业大学）；Archimedes, Athena Research Center（阿基米德·雅典研究中心）；Instituto de Telecomunicações（电信研究所）；Department of Computer Science（计算机科学系）；Columbia University（哥伦比亚大学）
研究比较了LLMs与人类对抽象概念的锚定方式，发现LLMs过度依赖词关联，缺乏情感和内部状态属性，导致基础差距显著。
2026-05-09 cs.AI cs.CL
Divide-Prompt-Refine: a Training-Free, Structure-Aware Framework for Biomedical Abstract Generation
University of Washington（华盛顿大学）
本文提出DPR-BAG框架，旨在生成具有完整文本但无摘要的生物医学文章的连贯且事实准确的摘要。该框架通过分解全文文档为结构化的修辞要素，进行并行LLM摘要生成，并应用最终的精炼阶段恢复全局话语连贯性。
2026-06-03 cs.CL
Measuring Semantic Abstraction of Multilingual NMT with Paraphrase Recognition and Generation Tasks
Department of Digital Humanities / HELDIG（数字人文系 / HELDIG）；University of Helsinki（赫尔辛基大学）
在本文中，我们研究了多语言神经翻译模型是否比双语模型学习更强的句子语义抽象。我们通过测量这些模型在应用于源语言的释义时的困惑度来测试这一假设。直觉是，如果解码器能够识别同一语言中的同义句，即使模型从未受过训练，编码器也会产生更好的表示。在我们的设置中，我们将16种不同的辅助语言添加到双向双语基线模型（英语-法语）中，并使用英语的域内和域外释义对其进行测试。结果表明，在每一种情况下，困惑都显着减少，这表明意义可以在翻译中扎根。这是进一步支持的释义生成的研究，我们也包括在论文的最后。
2019-05-03 cs.CL
Structure-Infused Copy Mechanisms for Abstractive Summarization
University of Central Florida（中佛罗里达大学）；Robert Bosch LLC（罗伯特·博世有限责任公司）
Seq2seq学习在摘要方面产生了有希望的结果。然而，在许多情况下，系统摘要仍然很难保持原文的完整含义。他们可能会漏掉在源句句法结构中起关键作用的重要词或关系。在本文中，我们提出了结构注入复制机制，以方便复制重要的词和关系，从源句的总结句。该方法自然地结合了源依赖结构和抽象句子摘要器的复制机制。实验结果表明，将源端的句法信息在系统中的有效性，我们所提出的方法相比，毫不逊色国家的最先进的方法。
2018-06-24 cs.CL
Controlling Topic-Focus Articulation in Meaning-to-Text Generation using Graph Neural Networks
University of Groningen（格罗宁根大学）
针对意义到文本生成中的主题-焦点表述控制问题，提出基于深度优先搜索的图神经网络节点聚合编码策略，在主被动转换任务上显著优于传统方法，通用生成性能达当前最优水平。
2023-10-03 cs.CL
Causal Intervention for Abstractive Related Work Generation
Beijing Institute of Technology（北京理工大学）；Tongji University（同济大学）；University of Sydney（悉尼大学）；University of Technology Sydney（悉尼科技大学）；A*STAR（新加坡科技研究局）
针对抽象式相关工作生成忽略内在因果性导致质量低且泛化差的问题，提出因果干预模块CaM，利用因果图建模并用do-calculus识别因果效应，与Transformer融合实现端到端生成，显著提升了生成质量与连贯性。
2023-05-23 cs.CL
Toward Abstractive Summarization Using Semantic Representations
School of Computer Science（计算机科学学院）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了一种新的抽象摘要框架，借鉴了最近发展的树库的抽象意义表示（AMR）。在这个框架中，源文本被解析成一组AMR图，这些图被转换成摘要图，然后从摘要图生成文本。我们专注于图到图的转换，减少了源语义图到一个摘要图，利用现有的AMR解析器，并假设最终可用的AMR到文本生成器。该框架是数据驱动的，可训练的，而不是专门为特定领域设计的。在金标准AMR注释和系统解析上的实验显示了良好的结果。代码可在：https://github.com/summarization
2018-05-25 cs.CL
DGoT: Dynamic Graph of Thoughts for Scientific Abstract Generation
School of Information；Communication Engineering Beijing University of Posts
针对LLM生成科学摘要的幻觉问题及多轮查询提示方法的高推理成本，提出动态思维图（DGoT），通过动态调整图结构降低成本，实验显示其成本仅为其他方法的37%至56.4%。
2024-03-26 cs.CL
One Language, Two Scripts: Probing Script-Invariance in LLM Concept Representations
本研究通过塞尔维亚双文测试，发现SAE特征在不同书写系统下仍保持语义一致性，表明模型能捕捉超越表面分词的抽象语义。
2026-03-09 cs.CL
Pre-Trained Language-Meaning Models for Multilingual Parsing and Generation
University of Groningen（格罗宁根大学）
本文提出基于话语表示结构的多语言预训练语言-意义模型，将意义表示纳入预训练并缩小预训练与微调目标差距，在多语言DRS解析与生成任务上取得最佳性能。
2023-05-31 cs.CL
Adapting Abstract Meaning Representation Parsing to the Clinical Narrative -- the SPRING THYME parser
University of Colorado Boulder（科罗拉多大学博尔德分校）；Boston Children’s Hospital and Harvard Medical School（波士顿儿童医院和哈佛医学院）
本研究设计了首个面向临床病历的AMR解析器SPRING THYME，基于THYME结肠癌数据集通过持续训练和数据增强实现88%的F1分数，并明确了临床领域AMR解析的适配数据需求。
2024-05-15 cs.CL cs.LG
StreamSide: A Fully-Customizable Open-Source Toolkit for Efficient Annotation of Meaning Representations
Emory University（埃默里大学）
这篇演示论文介绍了StreamSide，一个用于注释多种含义表示的开源工具包。StreamSide支持基于帧的注释方案，例如，抽象意义表示（AMR）和无框架注释方案，例如，广泛可解释的语义表示（WISeR）。此外，它支持文档级和文档级注释，允许注释者为输入文本创建多根图。它可以打开并自动在几种类型的输入格式之间转换，包括纯文本，Penman符号和自己的JSON格式，从而实现更丰富的注释。它具有AMR谓词参数结构的参考框架，以及概念到文本的对齐。StreamSide是在Apache 2.0许可下发布的，并且是完全开源的，因此它可以被定制为用不同的语言注释丰富的含义表示（例如，统一的意义表示）。所有StreamSide资源都通过我们的开源项目公开分发：https://github.com/emorynlp/StreamSide。
2021-09-20 cs.CL
