ACL 2018｜墨尔本大学：基于门控图神经网络的图序列学习(11)_ACL2018LongPapers基于门控图神经网络

下图展示了在测试集上的结果。当使用相当数量的参数时，我们的方法在单个模型和集成中都显著优于s2s基线。

在图3中，我们展示了一个例子，我们的模型优于基线。 AMR图包含四个重新引用，谓词引用图中先前定义的概念。我们可以看到， S2S预测超越了“India and China”这一短语。 G2S预测避免了超生成，并且几乎完全匹配参考。虽然这只是一个示例，但是它提供了保留完整的图形结构对这个任务有益的证据，我们的定量结果证实了这一点。

我们的第二个评价是NMT ，使用AS图源语言依赖句法树。在专注于一个媒体资源的情况下，额外的语言信息往往更有益。我们的实验包括两种语言对：英语德语和英语捷克语。下图显示了g2s+的输入图的示例，其中附加的顺序边连接单词（为了简单起见，省略了反向和自身边）。上部:具有相应的依赖树的句子。底部：转换后的树变成Levi图，在单词（虚线）之间有附加的顺序连接。完整的图还包含反向和自边缘，在图中省略。