La représentation de la signification (RAM) implique implicitement des annotations sémantiques composées, nous émettons l'hypothèse que les tâches auxiliaires qui sont sémantiquement ou formellement liées peuvent mieux améliorer l'analyse de la RAM. Nous constatons que 1) l'étiquetage du rôle sémantique (SRL) et l'analyse de la dépendance (DP) apporteraient plus de gain de performance que d'autres tâches, par exemple la MT et la synthèse dans la transition texte-AMR, même avec beaucoup moins de données.2) Pour mieux s'adapter à la RAM, les données des tâches auxiliaires devraient être correctement « AM-Rized » à PseudoAMR avant la formation. Les connaissances des tâches d'analyse de niveau peu profond peuvent être mieux transférées à l'analyse de la RAM avec transformation de la structure.3) L'apprentissage des tâches intermédiaires est un meilleur paradigme pour introduire des tâches auxiliaires à l'analyse de la RAM, par rapport à l'apprentissage multitâche. Dans une perspective empirique, nous proposons une méthode fondée sur des principes pour impliquer des tâches auxiliaires pour stimuler l'analyse de la RAM. Des expériences approfondies montrent que notre méthode permet d'atteindre un nouvel état de l'art sur différents repères de performance, en particulier dans les scores liés à la topologie. Le code et les modèles sont publiés sur https://github.com/PKUnlp-icler/ATP.

La representación de significados (AMR) implica implícitamente anotaciones semánticas compuestas, planteamos la hipótesis de que las tareas auxiliares que están relacionadas semántica o formalmente pueden mejorar mejor el análisis de AMR. Encontramos que 1) el etiquetado de roles semánticos (SRL) y el análisis de dependencias (DP) traerían más ganancia de rendimiento que otras tareas, por ejemplo, MT y resumen en la transición de texto a AMR incluso con muchos menos datos.2) Para adaptarse mejor a AMR, los datos de las tareas auxiliares deben "AM-Rized" adecuadamente a PseudoAMR antes del entrenamiento. El conocimiento de las tareas de análisis de nivel superficial se puede transferir mejor a AMR Parsing con transformación de estructura.3) El aprendizaje de tareas intermedias es un mejor paradigma para introducir tareas auxiliares al análisis de AMR, en comparación con el aprendizaje multitarea. Desde una perspectiva empírica, proponemos un método basado en principios para involucrar tareas auxiliares para impulsar el análisis de AMR. Los experimentos extensivos muestran que nuestro método logra un nuevo rendimiento de vanguardia en diferentes puntos de referencia, especialmente en puntuaciones relacionadas con la topología. El código y los modelos se publican en https://github.com/PKUnlp-icler/ATP.

Meaning Representation (AMR) implicitly involves compound semantic annotations, we hypothesize auxiliary tasks which are semantically or formally related can better enhance AMR parsing.We find that 1) Semantic role labeling (SRL) and dependency parsing (DP), would bring more performance gain than other tasks e.g.MT and summarization in the text-to-AMR transition even with much less data.2) To make a better fit for AMR, data from auxiliary tasks should be properly "AM-Rized" to PseudoAMR before training.Knowledge from shallow level parsing tasks can be better transferred to AMR Parsing with structure transform.3) Intermediate-task learning is a better paradigm to introduce auxiliary tasks to AMR parsing, compared to multitask learning.From an empirical perspective, we propose a principled method to involve auxiliary tasks to boost AMR parsing.Extensive experiments show that our method achieves new state-ofthe-art performance on different benchmarks especially in topology-related scores.Code and models are released at https://github.com/PKUnlp-icler/ATP.

المعنى ينطوي التمثيل (AMR) ضمنيًا على شروح دلالية مركبة، ونحن نفترض أن المهام المساعدة ذات الصلة الدلالية أو الرسمية يمكن أن تعزز تحليل AMR بشكل أفضل. نجد أن 1) تصنيف الأدوار الدلالية (SRL) وتحليل التبعية (DP)، من شأنه أن يحقق مكاسب في الأداء أكثر من المهام الأخرى، على سبيل المثال، MT والتلخيص في الانتقال من النص إلى AMR حتى مع بيانات أقل بكثير. 2) لجعلها مناسبة بشكل أفضل لـ AMR، يجب أن تكون البيانات من المهام المساعدة "AM - Rized" بشكل صحيح إلى PseudoAMR قبل التدريب. المعرفة من مهام التحليل على المستوى الضحل يمكن نقلها بشكل أفضل إلى AMR التحليل مع تحويل الهيكل. 3) يعد تعلم المهام المتوسطة نموذجًا أفضل لتقديم مهام مساعدة إلى AMR parsing، مقارنة بالتعلم متعدد المهام. من منظور تجريبي، نقترح طريقة مبدئية لإشراك مهام مساعدة لتعزيز AMR pars. تجارب مكثفة تُظهر أن أسلوبنا الجديد في الأداء العريض على مختلف المعايير ذات الصلة وخاصة في النماذج ذات الصلة بالعلمية التي تم إصدارها على https://intode/P.Up-.