پیش‌بینی ساختار زبانی ۲۰۲۲
Linguistic Structure Prediction 2022

بخش مهمی از پردازش زبان طبیعی، امروزه وابسته به استفاده از داده‌های متنی برای ساخت تحلیل‌گرهای زبانی است. ما رویکردهای آماری و محاسباتی را برای مدل‌سازی ساختار زبانی در نظر می‌گیریم. هدف ما ایجاد یکپارچگی بین رویکردهای مختلف و انواع گوناگون ساختارهای زبانی است. با فرض درک اولیه از پردازش زبان طبیعی و/یا یادگیری ماشین، در تلاشیم تا پلی بین این دو حوزه ایجاد کنیم.

تمرکز اصلی این اثر، رویکردهای مربوط به رمزگشایی (یعنی پیش‌بینی ساختار زبانی) و یادگیری نظارت‌شده و بدون نظارتِ مدل‌هایی است که ساختارهای گسسته را به عنوان خروجی پیش‌بینی می‌کنند. همچنین، به بررسی مسائل مربوط به پردازش زبان طبیعی می‌پردازیم که این روش‌ها در آن‌ها به کار گرفته می‌شوند و موضوعات مرتبط در استنتاج احتمالی، بهینه‌سازی و روش‌شناسی تجربی را مورد بررسی قرار می‌دهیم.

فهرست مطالب: بازنمایی‌ها و داده‌های زبانی / رمزگشایی: انجام پیش‌بینی‌ها / یادگیری ساختار از داده‌های حاشیه‌نویسی‌شده / یادگیری ساختار از داده‌های ناقص / فراتر از رمزگشایی: استنتاج

A major part of natural language processing now depends on the use of text data to build linguistic analyzers. We consider statistical, computational approaches to modeling linguistic structure. We seek to unify across many approaches and many kinds of linguistic structures. Assuming a basic understanding of natural language processing and/or machine learning, we seek to bridge the gap between the two fields. Approaches to decoding (i.e., carrying out linguistic structure prediction) and supervised and unsupervised learning of models that predict discrete structures as outputs are the focus. We also survey natural language processing problems to which these methods are being applied, and we address related topics in probabilistic inference, optimization, and experimental methodology. Table of Contents: Representations and Linguistic Data / Decoding: Making Predictions / Learning Structure from Annotated Data / Learning Structure from Incomplete Data / Beyond Decoding: Inference