Dec, 2015

神经查询器：自然语言查询表格学习

PDF
TL;DR本文提出了一种神经网络体系架构 —— 神经调查者（Neural Enquirer），用于自然语言查询知识库以获取答案。Neural Enquirer 通过对查询和知识库进行分布式表示，并实现可组合查询的执行作为一系列可微分操作，以及在多层内存中保存表的注释的中间结果，完成了完全的 “神经化”。实验结果表明， Neural Enquirer 可以学习执行具有丰富结构的表上的相当复杂的自然语言查询。
发现论文，激发创造
  • 使用神经程序员学习自然语言界面

    本文提出一种利用弱监督下的神经网络模型来实现自然语言到程序的转换，并应用于自然语言问答数据集上，可达到与传统自然语言语义分析器相当的精度。

    Nov, 2016

  • 半结构化表格问答的神经多步推理

    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

  • 使用自然语言查询表格数据的 TableQuery

    TableQuery 是一种使用深度学习模型进行自然语言查询转化为结构化查询的工具，解决了传统深度学习方法在表格数据上存在的内存和实时更新的问题。

    Jan, 2022

  • 一个编码器 - 解码器框架，将自然语言翻译为数据库查询

    本研究考虑将自然语言转换成 SQL，用于关系数据库的数据检索。我们提出了一种新的编码 - 解码框架，包括新的语义特征和语法感知状态等新方法。实证评估结果表明，我们的方法在真实世界的数据库和查询上明显优于现有技术。

    Nov, 2017

  • 使用细粒度查询理解提升文本转 SQL 语义解析

    本文提出了一种基于标记级精细化查询理解的通用、模块化的神经语义分析框架，包括命名实体识别器（NER）、神经实体链接器（NEL）和神经语义解析器（NSP），该框架联合建模查询和数据库，并基于动态生成的语法合成基于树结构的 SQL 查询。实验证明，该模型在 SQUALL 数据集上的执行准确率达到了 56.8％，超过了现有技术水平 2.7％。

    Sep, 2022

  • 神经查询语言：一种 Tensorflow 的知识库查询语言

    该研究提出了一种使用可微分运算符访问软符号数据库的框架，可以方便地调整软知识库中与事实相关的置信度，将先前的知识以手工编码的知识库访问规则的形式整合进来，或者学习使用从文本中提取的信息实例化查询模板。此框架可在单个 GPU 上处理数百万行和数十万个实体的知识库。

    May, 2019

  • 基于神经网络的推理

    Neural Reasoner 是一个基于神经网络的推理框架，具有特殊的交互池机制和深度结构，能够处理不同类型的推理和语言表达形式，并在两个困难人工任务中表现出优越性能。

    Aug, 2015

  • 可执行的神经语义解析器的学习

    本文介绍了一种神经语义解析器，可以将自然语言表达式映射到逻辑形式，以在特定任务环境中执行，如知识库或数据库，生成响应。解析器使用基于转换的方法生成具有树形结构的逻辑形式，结合由逻辑语言定义的通用树生成算法和领域一般性操作。解析器的生成过程由结构化循环神经网络建模，提供句子上下文和生成历史的丰富编码，以进行预测。为了解决自然语言和逻辑形式标记之间的不匹配，探讨了各种注意机制。最后，我们考虑了神经语义解析器的不同训练设置，包括全监督训练、弱监督训练和远程监督训练。对各种数据集的实验表明了我们解析器的有效性。

    Nov, 2017

  • 从用户反馈中学习神经语义解析器

    本研究提出了一种使用神经序列模型直接将话语映射到 SQL 的自然语言接口构建方法，并基于用户反馈实现高质量的语义解析，实验表明这种方法快速适用于任何新领域。

    Apr, 2017

  • 神经生成式问答

    本文提出了一个名为 Neural Generative Question Answering（GENQA）的端到端神经网络模型，可以根据知识库中的事实生成简单问答问题的答案。通过对问题答案对的语料库进行训练，该模型可有效处理问题和答案的变化，并通过参考知识库中的事实生成正确自然的答案，且在问题回答方面的实验证明该模型优于基于嵌入式的 QA 模型和在相同数据上训练的神经对话模型。

    Dec, 2015