本研究旨在为语义解析器注入归纳偏置，以便能够区分虚假和正确的程序，并提出了基于结构化潜在变量的潜在对齐框架，将语义解析任务分解成预测抽象程序和使用微分动态规划建模结构化对齐所需的步骤，最终在 WIKITABLEQUESTIONS 和 WIKISQL 数据集上取得了最先进的性能。新提出的结构对齐机制比标准关注机制更为有效。

Sep, 2019

本研究提出了一种在多个知识库上进行语义解析的框架，采用弱监督训练。通过多个特定于域的语义分析器（教师）训练一个统一的多域语义解析器（学生）来解决这一挑战。 在标准 Overnight 数据集上，相对于基线技术，该模型在指称准确性方面提高了 20％。

Jun, 2019

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

该研究论文针对通过自然语言指令进行解析的语义解析器，在利用弱监督学习时引入主动学习以提高模型性能的问题进行了研究，并在两个数据集上进行了实验。

Nov, 2019

通过基于程序执行结果的领域无关过滤机制，我们的研究提出在弱监督语义分析框架中应用该方法可以显著提高性能。

Nov, 2023

本文主要探讨利用相关输入输出程序的一致性来减少错误原因正确答案的虚假程序对弱监督语义解析的影响，通过通过自然语言视觉推理数据集从而获得优秀的模型表现的。

Jul, 2021

发展了一种从自然语言反馈中训练语义解析器的学习算法，为了使其直观可扩展性，该算法使用了用户纠正、会话记录等已有的自然语言数据作为监督信号，相对于使用严谨的逻辑形式或者特定答案的监督方法，可以接受那些并不熟悉语言形式的用户。研究还构建了一个自然语言反馈的对话数据集，并证明该方法对于从这些自然语言监督信号中学习语义解析器是有效的。

Feb, 2019

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

本文针对半监督学习中 NL utterances 匹配 program 的任务，提出了一种新的方法 —— 鼓励 parser 为未标注 utterances 生成可执行的 program，并从后验正则化的角度提出了一组新的训练目标，实验显示这些新目标优于常规方法，使半监督和监督学习之间的差距缩小。

Apr, 2021

本文提出了一种使用双重学习算法的语义解析框架，通过与逻辑形式的查询之间的博弈，使语义解析器充分利用数据从而达到更好的性能。实验结果表明，该方法在 ATIS 数据集上取得了最新的最好性能，并在 Overnight 数据集上取得了有竞争力的性能表现。

Jul, 2019