该研究介绍了一种通过分层自然语言分解处理复杂话语的方法来装备简单的语言代码模型，以实现自然语言接口的功能，实现了对几乎没有复杂训练数据的复杂话语的解释，并优于标准的少量提示方法。

May, 2023

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

通过和计算机交互完成任务，以语言游戏的方式，人类可以在不知道什么是语言的情况下学习语言，为建立自适应的自然语言接口打下基础，使用组合性而避免使用同义词有助于任务表现，从零开始快速学习语义解析模型，并进一步加速的学习计算机策略，以适应成功的玩家。

Jun, 2016

使用语言命令实现上下层结构分离的强化学习方法，在长期规划任务中能够有效提高任务样本效率并保持可解释性和人工干预能力。

Oct, 2021

提出了一种交互式多模态框架，通过协作推理游戏，实现神经网络学习语言，初步实验结果可喜，但需注意避免智能体发展出仅针对游戏有效的特定通信编码。

May, 2016

研究人员在机器学习和自然语言理解方面的不懈探索中探讨了基于对话的语言学习，发现预测前瞻是一种有前途的学习策略，并表明它可以在没有奖励监督的情况下正确地回答问题。

Apr, 2016

本篇论文介绍了一种新的多模态、领域无关的方法，结合自然语言编程和演示编程，允许用户在高层次上自然描述任务和相关条件，并通过对话和演示递归地解决任何模糊不清的问题。PUMICE 是一个可供最终用户编程的代理系统，实现了这种方法。10 位用户的实验显示出系统的可用性。

Aug, 2019

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

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

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。

May, 2020