葛东来，李军辉，朱慕华，李寿山，周国栋

(1. 苏州大学 计算机科学与技术学院，江苏 苏州 215006)(2. 阿里巴巴集团，浙江 杭州 311121)

0 引言

语义解析是一种将自然语言句子映射到语义表示的过程[1-7]。近年来，得益于大规模标注数据的发布，抽象意义表示(Abstract Meaning Representation，AMR)解析越来越受到研究者的关注[1]。简而言之，AMR是一种语义形式，它将句子的意义表示为单根的有向无环图，其中节点表示AMR概念，带有向标记的边表示节点之间的语义关系。

最近很多相关工作将AMR图线性序列化，进而将AMR解析视为从源端句子到目标端线性化的AMR图的翻译任务，并采用目前神经机器翻译通用的seq2seq模型[8-11]。然而，大多数相关工作都将源句表示为单词序列，没有考虑那些对AMR图的构造非常有用的源端句法和语义角色信息。此外，最近关于seq2seq模型的相关研究，比如机器翻译[12-13]，表明即使是百万级的平行语料库，seq2seq模型仍然无法从中捕获深层的句法信息，更不用说规模相差甚远的AMR语料。因此，在缺乏语言知识的情况下，基于seq2seq模型的AMR解析很容易产生与输入句子的句法和语义不一致的AMR结果。

例如，图1(a)中seq2seq AMR给出了一个典型的基于seq2seq模型的AMR解析示例，该解析结果具有以下几个问题。首先，模型错误地将片段“a separatist area of Georgia”识别为两个平行的概念“country”和“area”。其次，它认为这两个概念都是概念“strike”的修饰语，这与源端句子的句法结构不一致。最后，在语义关系上，它错误地将概念“strike”视为概念“escalate”的ARG1，即受事者。这与源端句子的语义角色信息不一致，因为“airstrikes”担当谓词“escalated”的ARG0角色，即施事者。……