EMNLPOct, 2020

使用机器翻译在一天内对开放本体问答语义解析器进行本地化

PDF
TL;DR本研究提出了一种新的方法，使用神经机器翻译系统来本地化语义解析器，通过在目标语言自动产生的数据中添加一次辅助的人类翻译，我们训练了一种新的模型，可以通过 QA 系统对多个新的领域和语言进行问答。结果表明，我们的方法比以前的最先进方法在几个测试语言的测试数据集上更为有效，QA 系统可以帮助任何软件开发人员在不到 24 小时内为新领域添加新的语言支持。
semantic parser localizerneural machine translationxlmr-lstmquestion answeringmachine translation
发现论文，激发创造
  • 跨语言语义解析器的引导

    本研究的主要目的是使一个语义解析器模型从英语语言转移到其他多种语言和领域上，通过机器翻译、释义、多语言预训练模型，我们得出一个基于 Transformer 的语义解析器，用于在德语和中文中准确解析。实验表明，机器翻译结合多组 MT 引擎释义可以近似于多种语言的训练数据，同时我们还成功地将训练数据减半，最终准确度仅低于完整翻译 2%。

    Apr, 2020

  • 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

  • 从自然语言翻译到 SPARQL 的神经机器翻译

    本篇论文采用八种不同的神经机器翻译模型，探讨将自然语言问题翻译成结构化查询语言 SPARQL 的方法，结果表明基于 CNN 的架构效果最佳， BLEU 分数高达 98，准确率高达 94%。

    Jun, 2019

  • 元学习跨语言语义解析流形

    通过元学习算法，利用高语种数据进行训练，在少量带注释的新语言数据上，我们的跨语言语义分析器可以达到较高的准确性和极少的数据采样。

    Sep, 2022

  • 用非常少的数据训练自然化语义解析器

    本篇论文介绍了一种基于语言模型的 seq2seq 体系结构，重点介绍了少样本语义解析，并基于非注释数据引入联合训练、有约束的解码、自训练和重新表述这四种技术进行了自动方法来提高语义解析性能。结果表明，该方法在夜间数据集上提供了新的最优结果，并在新的语义解析数据集上提供了非常令人信服的少样本结果。

    Apr, 2022

  • 零样本跨语言语义解析

    本文提出一种多任务编码 - 解码模型，通过多语言领域内语料库和英文 - 逻辑形式对标数据，在没有平行语料的情况下完成跨语言的语义解析，模型加强了语言无关编码，显著优于传统基于翻译的算法，有时能与有监督模型的上线媲美。

    Apr, 2021

  • 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

  • 融合人工和机器翻译的多语言语义解析与主动学习

    该文提出了一种主动学习方法，将小批量的人工翻译添加到机器翻译的训练集中，利用人工和机器翻译的优点，并提出了新颖的聚合获取准则来帮助方法选择要手动翻译的话语，实验证明这种理想话语的选择能显著降低翻译数据中的误差和偏见，从而比仅在机器翻译数据上训练的解析器具有更高的精度。

    May, 2023

  • 神经机器翻译用于查询构建和组合

    本论文研究了使用神经机器翻译范式进行问题解析的应用，采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况，探讨半监督学习方法代替问题 - 答案对诱导程序，并且借助自然语言生成的新进展扩展语言表达的覆盖范围。

    Jun, 2018

  • AutoQA：利用纯合成训练数据从数据库到问答语义解析器

    AutoQA 是一种方法和工具包，用于生成可以回答数据库问题的语义解析器，其可以自动生成训练集，并使用自动改写和基于模板的解析来查找不同词性中属性的替代表达方式，并使用一种新颖的过滤自动改写器来生成完整句子的正确改写。该工具应用于 Schema2QA 数据集和 Overnight 数据集，其回答正确率与使用专家自然语言注释和来自众包工人的改写数据训练的模型相当。

    Oct, 2020