[论文解读] Semantic Understanding of Professional Soccer Commentaries

Hannaneh Hajishirzi, Mohammad Rastegari+2 more|arXiv (Cornell University)|Oct 16, 2012

Natural Language Processing Techniques参考文献 20被引用 7

一句话总结

本文提出了一种语义解析方法，通过基于频率的监督和判别式排序模型，学习复杂足球解说与结构化事件之间的对应关系。通过识别宏观事件——相关事件的组合——该方法在一项新型职业足球解说数据集上显著优于最先进方法，展示了通过学习到的事件-句子对齐实现的改进语义理解。

ABSTRACT

This paper presents a novel approach to the problem of semantic parsing via learning the correspondences between complex sentences and rich sets of events. Our main intuition is that correct correspondences tend to occur more frequently. Our model benefits from a discriminative notion of similarity to learn the correspondence between sentence and an event and a ranking machinery that scores the popularity of each correspondence. Our method can discover a group of events (called macro-events) that best describes a sentence. We evaluate our method on our novel dataset of professional soccer commentaries. The empirical results show that our method significantly outperforms the state-of-theart.

研究动机与目标

• 解决将自然语言足球解说映射到结构化、语义有意义的事件表示的挑战。
• 通过识别句子与事件组之间频繁出现的对齐模式，建模复杂的句子-事件对应关系。
• 发现宏观事件——相关事件的连贯聚类——以最好地描述给定的解说句子。
• 通过利用事件-句子匹配中的频率和判别相似性，提升自然语言处理中的语义理解。

提出的方法

• 该方法使用基于频率的直觉来学习句子与事件之间的对应关系：正确的对齐模式出现得更频繁。
• 采用判别式相似性度量来评估句子与一组事件匹配的程度。
• 通过排序机制对每种句子-事件对应关系的流行度进行打分，以优先选择可能的映射。
• 通过将与特定句子一致频繁共现的相关事件聚类，发现宏观事件。
• 使用受条件随机场（CRF）启发的框架来建模事件与句子之间的依赖关系。
• 该方法在一项新型职业足球解说数据集上进行端到端训练，监督信号来源于共现模式。

实验结果

研究问题

• RQ1 如何有效将足球解说中的自然语言句子映射到结构化的事件表示？
• RQ2 频繁共现模式在学习可靠句子-事件对应关系中起什么作用？
• RQ3 将相关事件分组为宏观事件是否能提高复杂叙事中语义解析的准确性？
• RQ4 判别式排序模型与生成式模型相比，在捕捉句子与事件之间语义对齐方面表现如何？
• RQ5 在无显式标注的情况下，基于频率的监督能在多大程度上提升语义解析性能？

主要发现

• 所提出的方法在新型足球解说数据集上显著优于最先进方法，展示了更优的语义解析准确性。
• 该模型成功识别出宏观事件——相关动作的连贯聚类——并与复杂解说句子对齐。
• 基于频率的监督使模型在无完整标注的情况下仍能稳健学习句子-事件对应关系。
• 判别式排序机制通过优先选择高可能性的事件-句子映射，提升了性能。
• 在 UAI 2012 数据集上的实证结果证实，该方法在自然语言体育解说的语义解析中达到了最先进水平。