Introduzione a PAR(Parse And Repeat): un nuovo approccio alla trasformazione Text-to-AMR

I Large Language Model (LLM) hanno rivoluzionato il campo del Natural Language Processing e dell'intelligenza artificiale, dimostrandosi in grado di risolvere un gran numero di "language task". Tuttavia, operano come "scatole nere", con limitato accesso a conoscenze fattuali. D'altra parte, i Knowledge Graph (KG) offrono maggior trasparenza e accesso a conoscenze fattuali mentre gli Abstract Meaning Representation (AMR) forniscono una rappresentazione strutturata della semantica di una frase. Di contro, la creazione e la gestione di KG e AMR sono spesso complesse e laboriose. Integrare LLM con KG e AMR emerge quindi come una strategia vantaggiosa, sfruttando le capacità dei LLM per affrontare le sfide nella costruzione di KG e AMR. In questa tesi viene introdotto PAR (Parse And Repeat), un nuovo approccio alla trasformazione Text-to-AMR. Questo modello sfrutta il meccanismo di prompt dei LLM e una verifica iterativa per raffinare i grafi AMR. Quest'ultima consente di migliorare incrementalmente i grafi AMR prodotti sulla base dei suggerimenti forniti da un verificatore, cercando quindi di ottenere prestazioni ottimali in un ambiente zero-shot.