Multi-Task Learning for Japanese Predicate Argument Structure Analysis

[smiyawaki0820]

Hikaru Omori, Mamoru Komachi

• https://www.aclweb.org/anthology/N19-1344/
• https://www.anlp.jp/proceedings/annual_meeting/2019/pdf_dir/P7-18.pdf

1. どんなもの？

• 事態性名詞（報告，救い）
• 述語は同一文節内に項を持つことはほぼないが，事態性名詞の場合はヲ格とニ格の項の約半分が同一文節内に出現する
• 事態性名詞の項構造解析と，述語項構造解析は関係性が高いが別のタスク
• そこで，マルチタスクによって学習する
• syntactic relations を考慮

2. 先行研究と比べてどこがすごい？

• マルチタスク学習によって事態性名詞の項構造関係を考慮した
• 先行研究 [1, 11] にしたがって，容易なタスク（共通タスク）から得られた特徴を困難なタスク（特有タスク）に活用する階層的なマルチタスク学習のモデル

3. 技術や手法のキモはどこ？

• 述語（事態性名詞）はタスク特有単語埋め込み行列によって二つのベクトルに変換され，素性ベクトルがそれぞれ算出される．

  

• 述語と事態性名詞は項の取り方が異なり，出力層をタスク共有層とタスク特有層に分割（単純な出力層）

• 各出力ベクタをゲートによって結合する

  

4. どうやって有効だと検証した？

事態性名詞の項構造解析

• 述語項間の dep 関係の ablation では，「dep 関係が事態性名詞の項構造解析において有効な素性でない」ことがわかった

5. 議論はある？

6. 次に読むべき論文は？

[smiyawaki0820]

@inproceedings{omori-komachi-2019-multi,
    author = "Omori, Hikaru  and Komachi, Mamoru",
    title = "Multi-Task Learning for {J}apanese Predicate Argument Structure Analysis",
    booktitle = "Proceedings of the 2019 Conference of the North {A}merican Chapter of the Association for Computational Linguistics: Human Language Technologies, Volume 1 (Long and Short Papers)",
    year = "2019",
    publisher = "Association for Computational Linguistics",
    url = "https://www.aclweb.org/anthology/N19-1344",
    doi = "10.18653/v1/N19-1344",
    pages = "3404--3414",
}

[smiyawaki0820]

INTRO