从指称中推断逻辑形式
本文探讨了从话语到语义的上下文相关映射的学习问题,通过将全模型拆分为操作于逻辑形式等价类的简化模型来解决大规模逻辑表达式的挑战,研究并开发了一种新的从左到右的语义解析器,收集了三个上下文相关语义分析数据集。
Jun, 2016
利用培训语言模型模仿定理证明器在过程生成的问题上进行逻辑推理仍然是自然语言处理的一个挑战。我们提出了一个更简单、更普遍的声明性框架,通过灵活的上下文敏感规则来绑定多种语言(特别是简化英语和 TPTP 定理证明语言),从而改进了逻辑推理的能力。我们使用语义约束在生成过程中,并对谓词进行仔细的英语表达,提高了逻辑推理能力,而不损害自然英语任务。我们使用相对较小的 DeBERTa-v3 模型在人类编写的逻辑数据集 FOLIO 上实现了最先进的准确性,在有或无外部求解器的情况下,精度超过了 GPT-4 12%。
Jun, 2024
本文针对知识库问答的弱监督问题,提出了一种基于操作预测的搜索方法,缩小了搜索空间,避免了冗余逻辑形式,减少了噪声,从而在 CSQA 数据集上将准确率和召回率分别提高了 5 个百分点。
Sep, 2019
通过使用问题 - 答案对作为监督,本文在半结构化表格中回答复杂问题的新任务上同时提高了语义解析的知识源的广度和逻辑复合度的深度,提出了一种由强类型约束引导的逻辑形式驱动的解析算法,并创建了一个新的包含 22,033 个复杂问题的维基百科表格数据集进行了评估。
Aug, 2015
本论文提出了一种训练语义解析器的新方式,即利用抽象化表示,而非强监督方式(程序),以缓解训练过程中的困难。经实验证明,这种方法可以成功地用于处理视觉推理数据集以提升性能。
Nov, 2017
研究了在模糊 DL-Lite 本体中,如何回答 CNF 查询和阈值查询的问题,并通过重写方法表明阈值查询回答在数据复杂度上始终保持在 AC0 中,但是组合查询回答高度依赖于所选的三角范数,这对基础语义产生影响。
Nov, 2021
研究使用问题 - 回答对来学习语义解析器,其中逻辑形式被建模为潜变量,并提出了一种新的语义形式 —— 基于依赖的组成语义学。该方法具有有利的语言学、统计和计算性质,并在两个标准语义解析基准测试中优于所有现有的最先进系统。
Sep, 2011
本文提出了一种基于神经网络的解析器 - 排序器系统用于弱监督语义解析,通过对表征的推理公式使用线索来生成候选的树结构逻辑形式,并对其进行排序,以此平衡正确执行和掌握语义的两个目标,进一步使用神经编码的词表注入领域知识,并在三个 Freebase 数据集上进行实验,获得了达到最先进水平的效果.
Aug, 2018
该研究提出了一种新的在线学习算法,利用宏语法缓存已发现的有用逻辑形式的抽象模式,以及利用整体触发根据句子相似度高效检索相关模式,其在 WikiTableQuestions 数据集上达到 43.7% 的准确率和 11 倍的速度提升。
Jul, 2017