O artigo apresenta um backend simbólico redesenhado para o AM-Parser que utiliza tipos dirigidos CCG para lidar melhor com distinções direcionais em tarefas de generalização estrutural, como mudanças na posição do modificador.
- O sistema usa CKY determinístico e um único decodificador linear com 30K parâmetros aprendíveis.
- Alcança correspondência exata LF de 75.9±6.4%, superando a pontuação anterior do AM-Parser de 70.8±4.3%.
- Os ganhos são altamente direcionais, com o sistema CCG superando o AM-Parser em todas as 5 categorias de mudança de posição em +29.9pp.
- Substituir o codificador BERT-base pelo DeBERTa-v3-large resulta em 90.7±4.9%, deslocando o gargalo para a camada neural.
Esta abordagem demonstra que representações direcionais melhoram a generalização estrutural, particularmente para tarefas de mudança de posição, enquanto ganhos complementares de codificadores maiores abordam as categorias de profundidade recursiva.