标记器无法学习的东西，解析器最需要
What Taggers Fail to Learn, Parsers Need the Most
摘要：
我们提出了一个错误分析的神经UPOS标签，以评估为什么使用黄金标准的标签有这么大的积极贡献，解析性能，而使用预测的UPOS标签要么损害性能或提供一个微不足道的改进。我们评估了神经依赖分析器隐式地学习单词类型，以及这与标记器的错误如何相关，以解释使用预测标记对分析器的最小影响。我们还提出了一个简短的分析，什么情况下导致标记性能的降低。然后，我们屏蔽UPOS标签的基础上所作的错误，标签，标签成功和失败的分类正确和标签错误的影响梳理出UPOS标签的贡献。
英文摘要：
We present an error analysis of neural UPOS taggers to evaluate why using gold standard tags has such a large positive contribution to parsing performance while using predicted UPOS tags either harms performance or offers a negligible improvement. We evaluate what neural dependency parsers implicitly learn about word types and how this relates to the errors taggers make to explain the minimal impact using predicted tags has on parsers. We also present a short analysis on what contexts result in reductions in tagging performance. We then mask UPOS tags based on errors made by taggers to tease away the contribution of UPOS tags which taggers succeed and fail to classify correctly and the impact of tagging errors.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
