Apr, 2018

利用 VerbNet 预测程序文本中动作的影响

PDF
TL;DR使用语义词汇表 (Semantic Lexicon) 构建规则库并结合常识知识，采用基于模拟的方法进行机器阅读的研究。实验结果表明，该方法在描述过程方面的任务上优于两个强基线阅读理解方法 (read comprehension baselines)。
发现论文，激发创造
  • 注入常识知识对动作和状态变化的推理

    本文探讨了通过引入全局常识约束和利用大规模语料库的先验知识，将预测性文本描述中的操作和状态更改建模，从而提高神经结构预测模型的准确性和可靠性，并在基准数据集上展示了相对增益为 8％的结果。

    Aug, 2018

  • 一切皆有因：在程序性文本中发现行动目的

    该研究目标在于通过开发新模型 XPAD，解释性地预测动作之间的依赖关系，以及扩展 ProPara 基准数据集来解释行动，结果表明 XPAD 在新的任务中显著优于之前的系统。

    Sep, 2019

  • 过程文本状态变化跟踪：挑战数据集与模型

    该研究提出了一个针对描述动态世界的文本流程（例如光合作用）的新数据集和模型，并引入了两种利用 LSTM 输入编码和跨度预测进行状态预测的新型神经模型，从而实现对实体状态（位置和存在）进行全注释，并显著提高了准确率（高达 19%）。

    May, 2018

  • 面向情境中段落影响力的可解释性推理

    本文探讨了一种基于神经网络的逐步推理模型，旨在更细致地理解为背景段落中叙述的因果关系，并将此知识应用到新的情境中，实验结果表明了其有效性和可解释性。

    Oct, 2020

  • 神经过程网络模拟行为动态

    本文提出了神经过程网络作为理解过程文本的一种新方法，通过动态实体跟踪和显式地建模动作作为状态转换器，实现对于行为的动态建模来理解和生成程序文本，并且从中提供更准确的背景信息和可解释的内部表示。

    Nov, 2017

  • 从词向量到行为：形态学有助于让机器理解语言

    该研究通过使用语义相似的 word2vec 编码指令来训练机器人，从而使其能够恰当地回应自然语言命令。研究者还表明，机器人的机械结构可以促进或阻碍其在行动、语言和结构之间的关联。

    Aug, 2019

  • 盲目阅读和行动：文本游戏代理需要语义学

    以基于文本的游戏为测试平台，研究了自然语言理解代理的语义理解能力；实验结果表明，在降低语义信息量的情况下，自主代理仍能够在游戏中取得高分，提出了逆动力学解码器来增强语义理解的性能。

    Mar, 2021

  • 神经模型中的语义 - 句法推理

    研究使用神经模型捕捉词汇句法推理的能力。我们以事件事实预测任务为案例研究对象，并建立一个各种句法上下文中所有英语嵌入子句动词的事实判断数据集。我们使用这个数据集来探究当前最先进的神经系统的行为，揭示了这些系统在事实预测方面会出现某些系统性错误。

    Aug, 2018

  • 针对虚构视觉语言推理任务的动作 - 效果动力学学习

    通过使用编码器 - 解码器架构、模态分析器和场景图问题解答模型，我们提出了一种新的学习策略，可以提高关于行动效果的推理能力，并在 CLEVR_HYP 数据集上对我们的系统进行了评估。

    Dec, 2022

  • 通过测量动词 - 副词文本关系学习动作变化

    本研究旨在预测视频中动作的副词，将问题转化为回归任务。作者通过测量动词和副词之间的文本关系，生成回归目标，并收集了一个新的高质量数据集：Adverbs in Recipes，评估了该方法并取得了优异的结果。

    Mar, 2023