GraSAME：通过图导引的自注意机制向预训练语言模型注入标记级结构信息
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
该论文提出了一种图形遮盖的预训练策略，显著提升了图到文本生成任务中的模型效果，尤其在零样本学习场景中表现优越。
❓
Q&A
GraSAME方法的主要创新点是什么？
GraSAME方法提出了一种图形遮盖的预训练策略，显著提升了图到文本生成任务中的模型效果。
该研究在低资源设置下的表现如何？
在低资源设置中，该方法表现出非常有效的结果。
GraSAME在哪些数据集上取得了最好成果？
该方法在WebNLG+2020和EventNarrative数据集上取得了最新最好成果。
该研究如何提高PLMs模型的结构意识？
研究利用图形自监督训练来提高PLMs模型在AMR图结构上的结构意识。
GraSAME方法的实验结果如何？
实验结果表明该方法在AMR分析和AMR-to-text生成方面表现优越。
该研究的目标是什么？
研究旨在提高图模型在零样本学习场景中的泛化能力，发展面向图结构知识的大型语言模型。
🏷️
