EMNLPOct, 2020

面向组合式任务的低资源域自适应语义解析

PDF
TL;DR本文介绍了一种新方法，使用 BART 进行表征学习并使用基于优化的元学习方法来提高到低资源域的泛化性能，以使任务导向的语义解析器适应低资源域，这种方法在新收集的多领域任务导向语义解析数据集（TOPv2）方面明显优于所有基线方法。
发现论文，激发创造
  • 概念预训练下的低资源组合语义分析

    本文提出的基于 seq2seq 的模型结构，可以在零样本或少量样本的情况下，通过对新领域的元数据进行编码，自动实现领域自适应的语义解析，并通过在 Wikidata 上预训练以增强概念感知能力，从而在 TOPv2 和 SNIPS 数据集上优于以前的研究成果。

    Jan, 2023

  • 语义解析的领域自适应

    本文提出了一种利用两阶段粗到细的框架进行领域自适应的新型语义解析器，能够在目标域与源域数据相比相对少的情况下实现自适应，并显著改进了现有领域自适应策略。

    Jun, 2020

  • 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

  • 通过固有建模实现低资源任务导向语义解析

    本研究提出了一种基于任务的语义解析模型来提高在低资源环境下的学习效率，并通过预处理和训练过程探索了本体标签的内在属性，以作为知识库，最终实现了在模型效率和性能方面的提升。

    Apr, 2021

  • 低资源自然语言理解的有效迁移学习

    本论文旨在解决 NLU 模型在缺乏数据或知识资源时的挑战，提出了跨语言和跨域适应方法及面向低资源语言的关键词增强方法、序列颗粒化建模方法、多领域预训练方法和粗粒度到细粒度的表示学习框架。

    Aug, 2022

  • 跨领域语义解析通过释义

    本文提出了一种序列到序列的注意力重点改进的方法，用于跨域语义分析的域间适应问题，并且对预先训练的词嵌入进行了标准化，这种方法在 Overnight 数据集上有显着的改进。

    Apr, 2017

  • 有限资源条件下的语义解析

    这篇论文探讨了语义解析中的挑战，特别关注有限数据和计算资源的情况，提供了使用自动数据处理、知识转移、主动学习和持续学习等技术的解决方案。

    Sep, 2023

  • 语义解析中的领域泛化元学习

    本文尝试使用基于元学习的框架，旨在实现语义解析的零 - shot 泛化能力，实验结果表明，这种方法对 Spider 数据集上的解析表现有显著的提升。

    Oct, 2020

  • 低资源领域适应的多阶段预训练

    本文研究使用预训练语言模型的转移学习、领域特定术语扩展词汇表以及利用未标记数据结构创造辅助合成任务等方法，在 IT 领域的三个任务中，采用逐步应用的策略在预先训练的 Roberta-large LM 上显示出显着的性能提升。

    Oct, 2020

  • 利用层次表示生成面向任务的语义分析合成数据

    本研究探讨了使用预训练去噪序列到序列模型（即 BART）生成神经语义分析的合成数据的可能性，并使用辅助解析器（AP）过滤生成的数据，结果表明这一方法在导航领域的 Facebook TOP 数据集上具有潜力。

    Nov, 2020