EMNLPFeb, 2019

从自然语言监督中学习语义解析器

PDF
TL;DR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。
semantic parserlanguage fluencynatural language feedbacksupervised learningconversational log
发现论文，激发创造
  • 从用户反馈中学习神经语义解析器

    本研究提出了一种使用神经序列模型直接将话语映射到 SQL 的自然语言接口构建方法，并基于用户反馈实现高质量的语义解析，实验表明这种方法快速适用于任何新领域。

    Apr, 2017

  • 学习模拟自然语言反馈进行交互式语义解析

    提出了一种利用模拟的自然语言反馈来训练交互式语义解析器的任务和新颖的反馈评估器，证明该反馈模拟器可以在低数据集情况下，生成高质量的自然语言反馈来提高特定解析器的错误纠正能力。

    May, 2023

  • 可执行的神经语义解析器的学习

    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

  • 从执行中学习语义解析

    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

  • 一种通过用户交互学习语义解析器的模仿游戏

    本文介绍了一种通过用户直接学习语义解析器的 “人在循环” 方法，在此过程中，语义解析器应该自我观察其不确定性并在不确定时提示用户演示。为了解决演示稀疏性问题，提出了一种新颖的注释高效的仿真学习算法，该算法通过混合演示的状态和自信的预测来迭代地收集新数据集，并以数据集聚合的方式重新训练语义解析器，在 text-to-SQL 问题上表现良好。

    May, 2020

  • 为自然语言理解学习可执行的语义解析器

    本文介绍了语义解析的组成部分和主要挑战，旨在从数据中学习语义解析器并将其应用于问题回答系统和自然语言界面，提供丰富的逻辑与统计学二合一的领域。

    Mar, 2016

  • 从人类修正反馈中学习的反事实语义分析

    通过对历史系统中的模型输出提供人类可理解的语句，并将其转换为学习信号，我们介绍了新的估算器，并讨论了如何将我们的反馈收集方法无缝地集成到部署的虚拟个人助手中，从而证明了从记录的人类反馈数据中，可以通过反事实学习显著提高语义解析器。

    Nov, 2018

  • 从领域本体构建神经语义解析器

    本文提出了一种基于领域本体的框架，通过生成人类可理解的自然语言模板，从而将自然语言句子转化为机器可读的含义表示；并解决了语义解析在大规模领域中由训练数据的获取以及模型推广的复杂度所面临的挑战，该框架在六个领域进行数据训练，证明了其能快速且低成本地进行语义解析。

    Dec, 2018

  • 与解析器对话：自然语言交互式文本到 SQL 转化与反馈

    本文研究了使用自然语言反馈进行语义解析校正的任务，并构建了 SPLASH 数据集，证明这种反馈形式可以显著提高语义解析的准确性。

    May, 2020

  • 双向学习的语义解析

    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