AAAIDec, 2018

基于敌对生成的可转移的自然语言接口到结构化查询

PDF
TL;DR本文介绍一种用于自然语言界面的结构化查询的方法，解决有限数据领域适应问题，包括源领域语义解析的有效通用知识学习和目标域的数据增强，使用 SQIN 和 AugmentGAN 方法提高学习效果，在 GeoQuery、Overnight 和 WikiSQL 上获得了最先进的性能结果。
发现论文，激发创造
  • 可迁移学习的自然语言数据库接口

    本文介绍了一种通用的可转移自然语言交互系统，通过自动注释机制分离出自然语言查询中的数据库 schema 和数据，采用个性化序列模型将注释的查询翻译成 SQL 语句，实验证明该方法在 WikiSQL 数据集上的表现优于传统方法，并且可被应用于其他数据集而无需重新训练。

    Sep, 2018

  • 利用领域外知识提升科学问题领域自然语言推断

    本文提出了一种运用知识图谱的结合方法来提高自然语言推理问题（NLI）领域中性能的技术，该技术在文本、图形和文本到图形的模型上均取得了最新的最优表现，并讨论了外部知识在解决 NLI 问题中的实际意义。

    Sep, 2018

  • 将问答数据集转化为自然语言推断数据集

    本研究提出了一种基于句子转换模型的新方法，从庞大数量的大型问答数据集中自动派生自然语言推理（NLI）数据集，并展示了其将多种问答数据集成功应用于自然语言推理数据集的能力，从而新派生出包含 50 万个以上 NLI 示例的免费数据集 (QA-NLI)，展示了它呈现的推理现象的宽泛性。

    Sep, 2018

  • SQL 查询生成的最新进展：综述

    该论文综述了最新的自然语言转 SQL 查询方法和模型，并描述了使用深度学习技术的各种架构，阐述了数据集和评估指标。

    May, 2020

  • 具有生成领域能力的领域自适应网络的半监督问答

    该研究探讨了半监督问答问题，在该问题中，利用无标签文本提高问答模型的性能，我们提出了一种新的训练框架，即生成领域自适应网络。该框架通过训练生成模型来生成基于无标签文本的问题，并将模型生成的问题与人类生成的问题相结合，用于训练问答模型。我们发展了基于强化学习的新领域适应算法，以减少模型生成数据分布与人生成数据分布之间的差异。实验结果表明，我们提出的框架可从无标签文本中获得显著的提高。

    Feb, 2017

  • 一种无需特定语言训练数据的深度自然语言推理预测器

    我们提出了一种 NLP 技术，利用通用翻译数据集和知识蒸馏技术，通过两个预训练模型在源语言和目标语言上的表现实现了目标语言的句子关系推理，该技术在多个任务上展现了普适性。

    Sep, 2023

  • 一种用于 NLI 模型领域泛化的合成数据方法

    自然语言推理是语言模型的重要基准任务，在领域泛化上的问题中，我们通过生成多样化的合成 NLI 数据，使得模型在全新的下游测试环境中具有最佳的泛化性能。

    Feb, 2024

  • 使用语言模型：将自然语言理解视为问答

    该研究针对自然语言理解问题，通过将其映射到问题回答领域，研究了特定的迁移学习方法，并显示出在低数据环境下，与其他方法相比可以带来显著的改进，特别是通过跨不同领域的 NLU 问题进行顺序转移学习可增加其收益，并可将所需数据减少高达 10 倍。

    Nov, 2020

  • SpatialNLI: 基于空间理解的空间领域自然语言接口数据库

    提出了一种称为 SpatialNLI 的 NLI 用于空间领域，它采用一种空间理解模型来识别空间请求的意义并将其注入到自然语言问题中以缓解捕捉空间专用语义的负担，同时实验结果表明 SpatialNLI 胜过现有的方法

    Aug, 2019

  • 神经信息检索的无监督领域自适应

    比较了使用大型语言模型生成查询和基于规则的方法进行合成注释来进行神经信息检索，结果表明大型语言模型在所有情景中的性能优于基于规则的方法，而无监督领域适应相对于零样本方式应用监督信息检索系统是有效的。

    Oct, 2023