Jan, 2014

高效大规模特征选择的语义依存解析整合

PDF
TL;DR本文提出了一种整合了一切的语义分析模型，采用词对分类问题的方法，运用最大熵分类器和特征选择工程解决了该领域迄今为止最大的特征空间问题，获得了 CoNLL-2008 共享任务评估数据集的最好性能。
semantic parsingmeaning representationpredicate-argument structuremaximum entropy classifierfeature selection engineering
发现论文，激发创造
  • 基于依赖的混合树用于语义解析

    本研究提出了一种新的基于依存的混合树模型，将自然语言转换成机器可解释的含义表示，并通过在标准多语言 GeoQuery 数据集上进行的大量实验证明，我们的方法能够在多种语言上实现最先进的性能。

    Sep, 2018

  • 语义解析的深度体系结构

    本文介绍了一种新颖的深度学习架构，通过将两个语言语义的神经模型相结合，提供了一个语义分析系统，无需解析即可从自然语言语句和问题中生成本体库特定的查询，使其特别适用于语法错误或句法非典型的文本，例如 Twitter，也允许开发受资源限制的语言的语义解析器。

    Apr, 2014

  • 语义依存分析的深度多任务学习

    本文介绍了一种基于深度学习的语义依存图形式分析系统，该系统采用效率高且几乎拓扑结构简单的推理方法，通过组合双向 - LSTM 和多层感知机，能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究，并获得了新的技术成果。

    Apr, 2017

  • 为语义解析学习结构化自然语言表示

    本文介绍了一种神经语义解析器，将自然语言对话转换成谓语 - 论元结构的中间表示，并通过标注的逻辑形式或其指示训练端到端的语义解析器。在各种数据集上实验，得到了具有竞争力的结果。作者从诱导的谓词 - 论元结构中发现，它们可以揭示有关语义解析有用表示形式的类型以及这些表示形式与语言学上动机的表示形式之间的差异。

    Apr, 2017

  • 更简单但更准确的语义依赖分析

    本研究使用 LSTM 神经网络对句法解析器进行扩展，使其能够训练并生成图形结构的语义依存关系，并获得了最新的高性能表现。

    Jul, 2018

  • 一个高阶语义依存解析器

    本研究应用图神经网络（GNN）构建更高阶语义依存解析器，通过多个 GNN 层的聚合获得更高阶信息，实现近似推理，实现在 SemEval 2015 任务 18 英语数据集上超越先前最先进的解析器。

    Jan, 2022

  • 解析全部：句法和语义、依存关系和跨度

    本研究提出了一种新的基于神经网络的两种表征形式（span 和 dependency）的句法和语义联合模型，该模型有效地整合了句法信息，最大化优化联合目标，试验结果表明语义和句法可以相互促进，以全新的表现水平取得了 Propbank 基准测试集上的最好成绩。

    Aug, 2019

  • 为自然语言理解学习可执行的语义解析器

    本文介绍了语义解析的组成部分和主要挑战，旨在从数据中学习语义解析器并将其应用于问题回答系统和自然语言界面，提供丰富的逻辑与统计学二合一的领域。

    Mar, 2016

  • 注入语义依存关系的微调

    应用语言模型结构代替任务特定的监督并使用卷积图编码器通过显式引入语义解析提高 NLU 任务的性能。

    Dec, 2020

  • 使用端到端神经网络进行二阶语义依赖分析

    本文实现了第二阶段语义依赖解析器，使用平均场变分推理或循环置信传播算法来近似第二阶段解析，然后将两种算法展开成神经网络的递归层以进行端到端的训练，实验结果表明我们的方法实现了最新的最佳性能。

    Jun, 2019