抽象語義表示（Abstract Meaning Representation, AMR）是一種領(lǐng)域無關(guān)的、通用的整句語義表示方法，它使用單根有向無環(huán)圖來表示一個句子的語義結(jié)構(gòu)。作為一種深層的語義表示方法，AMR能夠有效挖掘句子的語義信息，并提升很多自然語言處理下游任務(wù)的性能，比如機(jī)器翻譯、文本摘要、信息抽取等。和英文AMR相比，中文抽象語義表示(Chinese AMR, CAMR)增加了概念關(guān)系對齊信息，并針對中文特點增加了一些語義標(biāo)簽。

        本次CAMR評測比賽依托第二十一屆中國計算語言學(xué)大會CCL-2022。CCL是中國中文信息學(xué)會(CIPS)的重要會議，是中國最大的自然語言處理學(xué)者和專家的社區(qū)。經(jīng)過三十年的發(fā)展，CCL被廣泛認(rèn)為是最權(quán)威的，全國最具影響力、規(guī)模最大的NLP會議。華為云語音語義創(chuàng)新Lab和蘇州大學(xué)組成的聯(lián)合團(tuán)隊在“中文抽象語義表示解析”評測任務(wù)中獲得第一名的佳績。本次評測共有testa和testb兩個測試數(shù)據(jù)集，并分為closed和open兩個賽道，我們在兩個賽道、兩個測試集上均取得了第一名的成績。詳細(xì)的信息請查看評測網(wǎng)址：https://github.com/GoThereGit/Chinese-AMR

        CAMR評測任務(wù)的難點在于，AMR圖中的概念節(jié)點和句子中詞并不是一一對應(yīng)的關(guān)系，有的概念節(jié)點由單個詞組成，有的概念節(jié)點只由一個詞當(dāng)中的幾個字組成，有的概念節(jié)點是由多個詞組成，有的概念節(jié)點甚至并不存于句子中，例如下圖中的節(jié)點“temporal-quantity”。AMR的這種特性決定了我們不能直接采用傳統(tǒng)的基于圖的方法解決。

       為了處理這個問題，我們嘗試了一系列最新的自然語言處理技術(shù)，最終決定采用非自回歸的方法首先生成AMR圖中的概念節(jié)點，然后對這些節(jié)點進(jìn)行邊的建立、從而生成最終的AMR語義圖。為了進(jìn)一步提升模型的性能，我們還采用了多圖聚合的ensemble策略。在實驗中，我們還發(fā)現(xiàn)句子的句法結(jié)構(gòu)能夠有效提升CAMR的性能。結(jié)合這些先進(jìn)的技術(shù)，我們最終取得了評測任務(wù)第一名的成績。

         語義分析是自然語言處理的一個核心任務(wù)，也是人工智能的一個重要的組成部分。華為云語音語義創(chuàng)新Lab在人工智能語音語義領(lǐng)域深耕技術(shù)，接連奪得包括DiggScience科學(xué)數(shù)據(jù)挖掘，NLPCC預(yù)訓(xùn)練模型，CCF BDCI金融實體情感分析，WSDM網(wǎng)絡(luò)搜索與數(shù)據(jù)挖掘在內(nèi)的多項國際國內(nèi)頂賽冠軍。憑借先進(jìn)的NLP技術(shù)，華為云提供了多個高效的場景應(yīng)用、極大地提升了客戶的工作效率。