本文探讨通过与基于抽取网页片段的问答基线相比较，基于语义分析的问答模型的评估方法。在 COMPLEXQUESTIONS 数据集上，我们发现我们的模型获得了合理的表现。

Jul, 2017

本文研究使用深度学习技术回答多步推理问题的方法，该方法基于自然语言问句生成机器可理解的逻辑形式，使用字符和单词 CNN 同时嵌入逻辑形式和问句，并使用神经评分函数检索问题的最可能逻辑形式，取得 38.7% 的最佳性能。

Feb, 2017

本文提出一种知识感知型的语义解析模型，通过整合不同类型的知识，包括语法知识、专家知识和外部资源知识，提高了对表格的对话语义解析性能。实验结果表明，该模型优于现有最先进的方法，还证明了各种知识的有效性。

Sep, 2018

本综述探讨了基于知识库的问题回答（KBQA）的两个独特挑战，并综述了现有 KBQA 方法的解决方法，其中建议通过深度学习领域的语义分析研究成果，解决当前 KBQA 研究遇到的瓶颈，特别是在预训练语言模型的时代。

Sep, 2022

本文提出一种新的框架，用于回答复杂问题，即将复杂问题分解成一系列简单问题，并从这些答案中计算出最终答案。实证结果表明，问题分解将在新数据集上将性能从 20.8 提高到 27.5。

Mar, 2018

本研究提出了一种基于图表示的网络数据表和列表的有效分类方法，通过预训练技术和推理技术来进行问答任务，显著提高了目前最先进技术的 F1 分数。

Oct, 2020

本文介绍了 Uni-Parser，一种用于问答（QA）的统一语义解析器，旨在应对知识库（KB）和数据库（DB）中的结构化数据，通过引入原语的概念，使得候选逻辑形式数量线性增长，避免了指数级增长和泛化问题，并且实现了与原语不同操作的复杂逻辑形式的生成和预测，通过对比原语排名器的修剪，增强了其泛化能力，实现了在多个 KB 和 DB QA 基准测试中更为高效和有竞争力的结果，特别是在组合和零 - shot 设置方面。

Nov, 2022

本篇文章提出了一种基于 Wikidata 的多语言、平行的问句对数据集，即 Multilingual Compositional Wikidata Questions（MCWQ），用于分析语义解析器在英语、希伯来语、卡纳达语和汉语中的组合泛化能力。结果表明，即使使用最先进的预训练多语言编码器，跨语言组合泛化能力也无法实现，文章的方法、数据集和结果将有助于未来关于具有更现实和多样化背景下语义解析的研究。

Aug, 2021

通过逐步提示的基于句法分析的分解，本研究发现了更多语义分析任务中的挑战。这一最优方法使我们在 CFQ 上取得了最新的技术成果，同时只需要传统方法所需训练数据的 1％。由于我们方法的普适性，我们期望类似的方法将在知识密集型应用中取得新的成果。

Sep, 2022

本文介绍了使用自然语言处理技术的语义解析器，将用户的自然语言问题转化为有形式定义的查询语句，通过大规模知识图谱实现。作者提供了一个数据集，其中，用户问题采用 Sparql 语言解析，并对执行结果对系统回答进行注释。通过两种不同的语义解析方法，我们提出了挑战：如何处理大规模词汇，如何建模对话语境，如何处理多实体查询语句，并实现对新问题进行泛化。作者希望我们的数据集能够为开发会话式语义解析器提供有效的测试平台。本文的数据集和模型已经发布，详情请见链接。

Jan, 2023