A Joint-Learning-Based Dynamic Graph Learning Framework for Structured Prediction

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11320%2F23%3AQ4L95J4H" target="_blank" >RIV/00216208:11320/23:Q4L95J4H - isvavai.cz</a>

Výsledek na webu

<a href="https://www.mdpi.com/2079-9292/12/11/2357" target="_blank" >https://www.mdpi.com/2079-9292/12/11/2357</a>

DOI - Digital Object Identifier

<a href="http://dx.doi.org/10.3390/electronics12112357" target="_blank" >10.3390/electronics12112357</a>

Jazyk výsledku

angličtina

Název v původním jazyce

A Joint-Learning-Based Dynamic Graph Learning Framework for Structured Prediction

Popis výsledku v původním jazyce

"Experiments are conducted on four datasets: the Universal Dependencies 2.2, the Chinese Treebank 5.1, the English Penn Treebank 3.0 in 13 languages for syntactic dependency parsing, and the SemEval-2015 Task 18 dataset in three languages for semantic dependency parsing. The experimental results show that our best-performing model achieves a new state-of-the-art performance on most language sets of syntactic dependency and semantic dependency parsing. In addition, our model also has an advantage in running speed over the static graph-based learning model. The outstanding performance demonstrates the effectiveness of the proposed framework in structured prediction."

Název v anglickém jazyce

A Joint-Learning-Based Dynamic Graph Learning Framework for Structured Prediction

Popis výsledku anglicky

"Experiments are conducted on four datasets: the Universal Dependencies 2.2, the Chinese Treebank 5.1, the English Penn Treebank 3.0 in 13 languages for syntactic dependency parsing, and the SemEval-2015 Task 18 dataset in three languages for semantic dependency parsing. The experimental results show that our best-performing model achieves a new state-of-the-art performance on most language sets of syntactic dependency and semantic dependency parsing. In addition, our model also has an advantage in running speed over the static graph-based learning model. The outstanding performance demonstrates the effectiveness of the proposed framework in structured prediction."

Druh

J_ost - Ostatní články v recenzovaných periodicích

CEP obor

—

OECD FORD obor

10201 - Computer sciences, information science, bioinformathics (hardware development to be 2.2, social aspect to be 5.8)

Projekt

—

Návaznosti

—

Rok uplatnění

2023

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

"Electronics"

ISSN

1754-1786

e-ISSN

—

Svazek periodika

12

Číslo periodika v rámci svazku

11

Stát vydavatele periodika

US - Spojené státy americké

Počet stran výsledku

2357

Strana od-do

1-2357

Kód UT WoS článku

—

EID výsledku v databázi Scopus

—