EMNLPNov, 2020

利用层次表示生成面向任务的语义分析合成数据

PDF
TL;DR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。
conversational aisemantic parsingsynthetic dataseqeuence-to-sequencenavigation domain
发现论文，激发创造
  • 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

  • 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

  • 使用分层表示进行任务导向对话的语义解析

    本文提出了一种基于层级标注的语义解析方案，能够有效且准确地分析复杂的组合查询，同时发布了包含 44000 个标注查询的数据集，并证明此方案在标准句法分析模型上的表现优于序列到序列的方案。

    Oct, 2018

  • 不解析，生成！一种用于面向任务的语义解析的序列到序列架构

    本文提出了一种基于序列到序列模型和指针生成网络的统一架构，旨在处理既能识别简单 Action 单一的查询，也能处理更复杂的分段实体的查询，并在 ATIS、SNIPS 和 Facebook TOP 数据集上取得了最先进的准确率，不需要对语义分析模式加任何限制。

    Jan, 2020

  • 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

  • 对话式语义解析

    本论文提出了一种适用于面向任务的对话系统的语义表示形式，该表示形式可以表示诸如共参照和上下文传递等概念，实现了对话过程中的全面理解。此外，更提出了一种新的 Seq2Seq 模型用于基于会话的解析，并在 ATIS、SNIPS、TOP 和 DSTC2 等数据集上获得了更好或相当的性能。

    Sep, 2020

  • 神经语义解析的迁移学习

    本文提出了一种基于多任务框架和序列到序列模型的语义解析方法，旨在解决语料数据不足限制，较少标注数据任务可以通过从大量标注数据任务中传递学习的方式得到提升，实验结果在自己的数据集中获得了 1.0% 到 4.4% 的准确度提升，在 ATIS 语义解析任务中，准确度提升了 2.5% 到 7.0%。

    Jun, 2017

  • 学习数据合成以用于语义解析

    本篇论文提出了一种生成模型，该模型具有模拟编程语言的组合结构的 PCFG 模型和将编程转化为语句的 BART 模型，能够有效且高效地从现有的数据中学习，并且能够探索多样化的未知数据，通过在 GeoQuery 和 Spider 标准基准测试中的实验结果表明，该模型合成的数据可以大大帮助语义解析器实现更好的组合性和领域泛化。

    Apr, 2021

  • 面向组合式任务的低资源域自适应语义解析

    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。

    Oct, 2020

  • 通过神经注意力机制实现从语言到逻辑形式的转换

    本研究提出了一种基于注意力增强的编码器 - 解码器模型的通用方法，旨在消除传统方法所需的高质量词汇表、手工构建的模板和语言特征等问题，并可在不同领域和意义表示之间进行易于调整的转化，实验结果表明，该方法在不使用手工特征的情况下表现出了较强的竞争力。

    Jan, 2016