Sep, 2016

半监督序列自编码器语义解析

PDF
TL;DR我们提出了一种新颖的半监督方法，应用于序列转换和语义分析。该方法包含基于生成模型的无监督成分，在该模型中，潜在的句子生成不成对的逻辑形式，我们将此方法应用于许多语义解析任务，重点关注训练数据标记不足的领域，并使用合成逻辑形式扩充这些数据集。
semi-supervisedsequence transductionsemantic parsinggenerative modellabelled training data
发现论文，激发创造
  • 基于生成排名模型的弱监督神经语义解析

    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

  • 从改写到语义解析：通过同步语义解码进行无监督语义解析

    该研究提出了一种基于无监督学习、同时利用释义和特定语法解码的同步语义解析方法，将语义解析问题转化为一种受限的释义问题，评估实验显示该方法可以在多个数据集上实现有竞争力的自主语义解析性能。

    Jun, 2021

  • 神经语义解析的迁移学习

    本文提出了一种基于多任务框架和序列到序列模型的语义解析方法，旨在解决语料数据不足限制，较少标注数据任务可以通过从大量标注数据任务中传递学习的方式得到提升，实验结果在自己的数据集中获得了 1.0% 到 4.4% 的准确度提升，在 ATIS 语义解析任务中，准确度提升了 2.5% 到 7.0%。

    Jun, 2017

  • 双阶段语义解析的无监督双重释义

    该研究提出了一种两阶段的语义解析框架，第一阶段利用无监督的语义模型将未标记的自然语言转化为规范化语句，第二阶段使用自然语言解析器解析输出结果得到目标逻辑形式，该训练过程被分成了预训练和循环学习两个阶段，通过三项定制的自监督任务激活无监督的语义模型，实验结果表明该框架是有效的且与监督式训练相兼容。

    May, 2020

  • 可微扰动和解析：用结构化变分自编码器进行半监督解析

    为了改善句法解析器，我们提出了一种新的潜变量生成模型，可以使用大量的未标记文本来进行半监督学习，并通过可微的动态规划来提高解析器的准确性。

    Jul, 2018

  • 语义标记实现组合泛化

    在语义解析中，提出了一个新的解码框架，该框架保留了序列到序列模型的表现力和通用性，同时具有类似词典的对齐和解开信息处理，能够提高模型的组合泛化能力。

    Oct, 2020

  • StructVAE: 树状结构潜变量模型用于半监督语义解析

    本文介绍了 StructVAE 这样一种半监督语义解析的变分自编码模型，通过学习来自有限的并行数据和广泛可用的未标记的自然语言表述，构建 MRs 树状结构隐藏变量，实验表明，结合额外的未标记数据，StructVAE 可以超越强有力的监督模型在 ATIS 领域和 Python 代码生成任务上的表现。

    Jun, 2018

  • 组合式任务导向对话的非自回归语义分析

    本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

    Apr, 2021

  • 半监督自编码投影依存分析

    通过深度神经网络处理输入进一步编码为潜在变量，包括在序列中使用连续潜在变量对输入进行编码的局部自编码分析器（LAP）和在依存树中使用依赖树作为潜在变量对输入进行编码的全局自编码分析器（GAP），使用统一结构和不同的损失函数处理有标记和无标记的数据，并在 WSJ 和 UD 依存解析数据集上进行实验，展示模型能够利用未标记的数据来提高性能，并超越以前提出的半监督模型。

    Nov, 2020

  • 零样本跨语言语义解析

    本文提出一种多任务编码 - 解码模型，通过多语言领域内语料库和英文 - 逻辑形式对标数据，在没有平行语料的情况下完成跨语言的语义解析，模型加强了语言无关编码，显著优于传统基于翻译的算法，有时能与有监督模型的上线媲美。

    Apr, 2021