ACLOct, 2020

SmBoP：半自回归的自下而上语义分析

PDF
TL;DR本文提出一种 Semi-autoregressive Bottom-up Parser （SmBoP）的方法，与 top-down autoregressive parsing 方法相比，SmBoP 具有更高效的时间复杂度和使用 meaningful semantic sub-programs 训练的先进性，应用于 Spider 数据集的测试表明，SmBoP 取得了新的最佳 denotation accuracy，并且在 exact match 方面与 RAT-SQL+GraPPa 的结果相当。
semantic parsingbottom-up parsingsmboplogarithmic runtime complexityspider dataset
发现论文，激发创造
  • 通过意图调节改善用于非自回归语义解析的 Top-K 解码

    提出了一种基于意图编码的新型 NAR 语义解析器，解决了 NAR 解码器生成 top-k 输出的困难，达到了与现有 NAR 模型相同的解码时间复杂度 O (1)，生成更多样化的输出并提高了 top-3 准确匹配率。

    Apr, 2022

  • 组合式任务导向对话的非自回归语义分析

    本研究提出了一种基于非自回归模型和卷积神经网络的有效序列到序列模型，以预测语义分析树，实现了较传统循环神经网络模型更高的时延优化和参数规模缩减，并在三个不同的语义分析数据集上表现出竞争性能力。

    Apr, 2021

  • 非自回归任务导向语义解析的跨度指针网络

    本研究提出基于 span pointer networks 的非自回归任务导向的语义解析器，通过将推断任务从文本生成转移到区间预测，从而改善了长度预测和提高了模型的泛化能力。

    Apr, 2021

  • 针对文本到 SQL 解析的数据库结构全局推理

    本研究针对语义解析器在零样本学习中难以正确选择新数据库常数集的问题，提出一种全局推理数据库常数集的解析器，采用图神经网络的消息传递机制，考虑问题的情境信息，软选择一部分数据库常数集，并通过训练模型根据数据库常数与问题单词的全局匹配度对解析结果排序。在面向包含复杂数据库的零样本语义解析数据集 Spider 中，我们将该方法应用于当前最先进模型，将准确率从 39.4％提高到 47.4％。

    Aug, 2019

  • 不解析，直接插入：基于插入解码的多语言语义解析

    本文介绍了一种基于插入变换器的非自回归解析器来提高语义解析效率和跨语言迁移学习的能力，并在多个数据集上进行测试。

    Oct, 2020

  • 学习可扩展语义解析的程序习语

    本文提出了一种迭代方法，通过反复折叠大型源代码语法树的最常见的深度 2 子树来提取代码习惯用语，并训练语义解析器在解码期间应用这些习惯用语，在最近的上下文相关语义解析任务中应用基于习惯的解码，提高了 2.2％BLEU 得分，同时将训练时间缩短了 50％以上。

    Apr, 2019

  • 基于图形的无递归语义解析

    本文提出了一种新的基于图的方法来进行语义解析，解决了文献中观察到的两个问题：(1) seq2seq 模型无法完成组合泛化任务；(2) 使用短语结构解析器的先前工作无法涵盖树库中观察到的所有语义解析。我们证明了两个优化算法的正确性，用基于约束平滑和条件渐变的方法近似解决这些推断问题。实验证明，我们的方法在 Geoquery、Scan 和 Clevr 上都具有最先进的效果，包括在测试组合泛化的过程中。

    Feb, 2023

  • 鲁棒的增量神经语义图解析

    该研究提出了一个基于神经编码器 - 解码器的转移句法分析器，可以作为关于最小递归语义的完全覆盖的语义图分析器，预测图与非词汇化谓词及其标记对齐共同。该分析器比注意力模型基准更准确，并且在 GPU 批处理方面比高精度基于语法的分析器快一个数量级。此外，我们的最小递归语义分析器的 86.69％ Smatch 得分高于 AMR 分析的上限，这使得 MRS 成为有吸引力的语义表示选择。

    Apr, 2017

  • 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

  • 核心语义先行：面向 AMR 解析的自顶向下方法

    本文介绍了一种新的文本解析方法（GSP），该方法采用从上到下的递增式方法构建解析图，并且遵循首先抓住主要思想，然后深入细节的直觉。这种方法优秀地表现在捕捉句子的核心语义上，达到了当前最高的性能水平。

    Sep, 2019