ACLAug, 2020

MTOP: 一个全面的多语言任务导向的语义解析基准

PDF
TL;DR本文提出了一种新的多语言数据集 MTOP，用于任务导向的语义解析，并使用该数据集和其他公开数据集来对最新的多语言预训练模型进行全面的基准测试，得到了 6.3 个 Slot F1 平均提高，并展示了使用预训练模型和自动翻译和对齐，以及远程监督方法结合，以减少槽标签投影中的噪声来实现强大的零 - shot 性能。
task-oriented dialog systemssemantic parsingmultilingual datasetpre-trained modelszero-shot performance
发现论文，激发创造
  • 使用大语言模型引导多语言语义分析器

    使用大型语言模型通过少量提示将英文数据集转化为多种语言，以实现多语言语义解析，并在两个公共数据集上与传统的翻译 - 训练方法进行比较，表明使用 LLM 更有效。

    Oct, 2022

  • 使用大型语言模型的零样本任务导向语义解析

    本研究探讨了如何利用大型语言模型进行零 - shot 语义解析的方法，提出了一种名为 ZEROTOP 的采用问答 (QA) 问题分解语义解析问题的解决方案，并通过精调语言模型在 QA 数据集上的表现，实现了对 MTOP 数据集中约 16% 的短语进行无标注数据的语义解析。

    Dec, 2022

  • Cross-TOP：零样本跨模式任务导向的解析

    本文介绍了一种名为 Cross-TOP 的零 - shot 方法，通过利用用户请求的词汇和语义相似性，训练单个交叉架构解析器以服务于垂直内的任意数量的任务，从而为新任务引导语义解析器提供可扩展的方式。

    Jun, 2022

  • 任务导向对话的词典注入语义分析

    本文提出一种新的基于层次表示的语义分析模型，使用分裂跨度和词汇注入技术，解决动态槽值的问题，取得了 TOP 数据集上最新的最佳结果。

    Nov, 2022

  • 一个语义分析器解析所有问题：基于序列到序列多任务学习的语义解析数据集

    本文为研究使用多任务学习 (MTL) 框架统一不同的含义数据集和训练单一模型，使用了五个数据集 (Geoquery，NLMaps，TOP，Overnight，AMR) 进行实验，我们发现在不增加总参数数量的情况下，全网络共享的 MTL 架构的解析精度与单任务的基线相当或更好，同时也提供了更好的组合推广性，我们还提出了一种可与广泛使用的比例抽样策略相比较的竞争性选择任务抽样方法。

    Jun, 2021

  • 评估印度语跨语言语义分析

    为了解决印度语言语义分析数据集缺乏的问题，提出了适用于 11 种印度语言的 Inter-bilingual Seq2seq 语义分析数据集 IE-SEMPARSE，并在不同的训练测试策略下评估了现有的多语言 seq2seq 模型。

    Apr, 2023

  • 多语言任务导向对话的情境语义解析

    通过机器翻译自动翻译对话数据集并使用新的上下文语义解析模型，该方法在多个数据集上提高了准确性并创建了高准确度的多语言对话数据集。

    Nov, 2021

  • 抽象问答作为复合任务导向的语法解析

    本文提出了一种基于 QA 技术的自然化语义分析方法，解决了先前基于序列到序列 (seq2seq) 模型生成线性化解析树的一些局限性，减少语义偏差，拥有很好的性能表现。

    May, 2022

  • STOP：面向口语任务的语义解析数据集

    本文发布了 Spoken Task-Oriented semantic Parsing (STOP) 数据集，这是目前公开可用的最大、最复杂的 SLU 数据集，评估了在有限标注数据情况下改进 SLU 的基于端到端 SLU 系统的低资源领域适应性的性能，并表明端到端 SLU 模型的性能不及级联模型。

    Jun, 2022

  • 提高任务导向对话中的语义解析

    本文针对基于任务导向的对话提出了基于分层表示的语义分析方法，并通过嵌入上下文、集成学习和基于语言模型的成对重新排名等三种不同的改进方式来优化模型，将可能存在的分层表示错误进行分类，并展示了三种方法分别纠正不同类型的错误，进而通过将三种技术相结合，提高了 6.4％的准确度和 33％的错误率降低，使其在 TOP 数据集上首次实现了最新的状态 - of-the-art 结果。

    Feb, 2019