Mar, 2019

作为语言理解初步的，类型协同、表现力强的表示

PDF
TL;DR此论文研究语义分析中的一个初步形式 ——ULFs，并基于手动注释的语料库来训练精确的 ULF 解析器。作者认为，将 ULFs 导出作为语义分析的起点将能够更准确地解析语言含义，进而构建更准确的语义解析器。
semantic parsingunderspecified logical formsepisodic logichand-annotated corpussemantic analysis
发现论文，激发创造
  • 为语义解析学习结构化自然语言表示

    本文介绍了一种神经语义解析器，将自然语言对话转换成谓语 - 论元结构的中间表示，并通过标注的逻辑形式或其指示训练端到端的语义解析器。在各种数据集上实验，得到了具有竞争力的结果。作者从诱导的谓词 - 论元结构中发现，它们可以揭示有关语义解析有用表示形式的类型以及这些表示形式与语言学上动机的表示形式之间的差异。

    Apr, 2017

  • 口语理解的实用语义解析

    本文介绍了一个基于转移学习的可执行语义分析框架，并在不同领域的数据集上进行了实验，表明可执行语义分析可以统一自然语言处理的不同领域，例如问答 (Q&A) 和口语理解 (SLU).

    Mar, 2019

  • 将 UNL 图形转换为 OWL 表达

    该研究的主要目的是通过实施 Universal Networking Language (UNL) 规范来表达自然语言文本的语义级别，其可以被表达为 RDF-UNL 图，同时支持使用一般的 SHACL 规则来提取内容以及通过推理检测原始文本中的不一致性，该方法在 UNseL 项目中得到了实验验证。

    Jan, 2022

  • 语言（再）建模：走向具身语言理解

    本文提出了基于具有体验认知语言学特征的表征和学习方法的自然语言理解系统架构，旨在利用隐喻推理和模拟的基础来提高自然语言理解系统的效率、可解释性和概括性。

    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

  • 探索将自然语言解析成一阶逻辑的神经模型

    本篇研究使用神经网络模型来实现自然语言文本到一阶逻辑表达式的语义解析，在此基础上提出了一种改进的编码 - 解码模型，能够更加准确地生成一阶逻辑公式，并通过大规模数据集的评估证明了这种方法的有效性和可扩展性。最终将研究代码和数据集公开，为进一步的基于逻辑的 NLP 相关研究提供便利。

    Feb, 2020

  • 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

  • 通用语义解析

    UDepLambda 是一个语义接口，它将自然语言映射到逻辑形式，可以处理依存图，并在自然语言理解中表现出色，对于多语言问题回答有很好的性能。

    Feb, 2017

  • 显式化内含信息: NLP 中内含信息的一等公民

    该研究使用 LLM 将话语分解为逻辑和可信推理以及应用该技术改善了句子嵌入基准，推动着计算政治学和构建发现过程的前进。

    May, 2023

  • 通过神经注意力机制实现从语言到逻辑形式的转换

    本研究提出了一种基于注意力增强的编码器 - 解码器模型的通用方法，旨在消除传统方法所需的高质量词汇表、手工构建的模板和语言特征等问题，并可在不同领域和意义表示之间进行易于调整的转化，实验结果表明，该方法在不使用手工特征的情况下表现出了较强的竞争力。

    Jan, 2016