EMNLPMay, 2020

一种通过用户交互学习语义解析器的模仿游戏

PDF
TL;DR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。
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

  • 从自然语言监督中学习语义解析器

    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。

    Feb, 2019

  • 透明互动语义解析：逐步校正

    本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

    Oct, 2021

  • 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

  • 基于模型的交互式语义解析：统一框架和文本到 SQL 的案例研究

    本论文提出了一个新的交互式语义解析问题的统一形式，其中的目标是设计一个基于模型的智能代理。代理能够自主决定是否和何时需要人类干预，并生成自然语言的澄清问题，使用了世界模型并在两个 Text-to-SQL 数据集上得到了很好的效果。

    Oct, 2019

  • 通过分解学习自适应语言界面

    该研究旨在创建一个交互式、自然语言接口，通过学习用户在模拟机器人环境中完成任务。该接口引入了一种神经语义解析系统，通过分解学习新的高层抽象：用户通过将描述新行为的高层话语分解为它可以理解的低级步骤来与系统互动。作者的方法弥合了现有方法之间的差距，并证明了现代神经系统的灵活性以及基于语法的方法具有的一次可靠泛化能力。研究还讨论了实现交互式范式的潜力的障碍。

    Oct, 2020

  • 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

  • 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

  • 从 SQL 查询中生成问题改善了神经语义解析

    本文通过在最大手工标注语义解析数据集 WikiSQL 上展示问题生成是一种有效的半监督学习方法，使我们能够用百分之三十的监督训练数据来学习最先进的神经网络语义解析器，并发现语义解析器的准确性和训练数据量之间存在对数关系。

    Aug, 2018

  • 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