该研究提出了一个基于神经编码器 - 解码器的转移句法分析器，可以作为关于最小递归语义的完全覆盖的语义图分析器，预测图与非词汇化谓词及其标记对齐共同。该分析器比注意力模型基准更准确，并且在 GPU 批处理方面比高精度基于语法的分析器快一个数量级。此外，我们的最小递归语义分析器的 86.69％ Smatch 得分高于 AMR 分析的上限，这使得 MRS 成为有吸引力的语义表示选择。

Apr, 2017

在语义解析中，提出了一个新的解码框架，该框架保留了序列到序列模型的表现力和通用性，同时具有类似词典的对齐和解开信息处理，能够提高模型的组合泛化能力。

Oct, 2020

本文提出了一种新的基于图的方法来进行语义解析，解决了文献中观察到的两个问题：(1) seq2seq 模型无法完成组合泛化任务；(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性，用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明，我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果，包括在测试组合泛化的过程中。

Feb, 2023

通过提出更系统的数据划分方法，引入两个具有挑战性的测试集，我们评估了五种神经模型在语义解析和生成上的性能，结果表明当面对这些挑战时，模型性能下降（有时甚至显著），揭示了神经模型在面对这些挑战时的限制。

Apr, 2024

本文介绍了一种基于深度学习的语义依存图形式分析系统，该系统采用效率高且几乎拓扑结构简单的推理方法，通过组合双向 - LSTM 和多层感知机，能够在不使用手工特征或语法的情况下显著提高语义依存分析的技术水平。作者还对多任务学习策略进行了研究，并获得了新的技术成果。

Apr, 2017

本文介绍了一种基于神经网络的贪心解析器，利用一种新的组合子树表示方法。该解析器和组合过程共同训练，且相互之间密切相关。使用连续（单词或标签）表示和循环神经网络进行组合和标记。我们在具有速度优势的同时获得了与众所周知的现有解析器相当的 F1 性能。

Dec, 2014

探讨如何开发一种语义解析方法，既可应对自然语言变异，又能在组合推理方面具有强大的针对性。我们在非合成数据集上提出了新的训练和测试集分割，证明现有方法在广泛的测试中表现不佳。并提出了 NQG-T5，这是一个混合模型，结合了高精度的基于语法的方法和预先训练的序列到序列模型。它在非合成数据上的多个组合泛化挑战中优于现有方法，在标准评估上也具有竞争力。

Oct, 2020

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

本研究详细介绍了一个基于丰富的单词嵌入的组成分布式框架，旨在促进句子中单词之间的交互，并使用环境中的句法信息来增强向量。研究结果表明，该框架在 MSRPar 任务上取得了具有代表性的结果。

Aug, 2015

使用递归神经网络自动推断语义结构图形，以提高对多语种语言的理解和建模能力。

Sep, 2019