AAAIJan, 2021

跨域上下文依赖语义解析的动态混合关系网络

PDF
TL;DR本文提出了一个动态图形框架，能够有效地建模上下文话语、令牌、数据库模式及其交互，并通过强大的重新排名模型进一步增强。该模型在 SParC 和 CoSQL 数据集上实现了新的最优表现。
semantic parsingnatural language processingdynamic graph frameworkcontextual informationperformance
发现论文，激发创造
  • 使用动态上下文图进行对话语义解析

    本文讨论了使用动态子图和图形神经网络在上下文中交互地将用户话语映射为可执行的逻辑形式，并证明这种方法在处理对话信息方面更好。

    May, 2023

  • NL2SQL 的关系感知半自回归语义解析

    该论文提出了一种基于关系嵌入的半自回归语义分析 NL2SQL 方法，通过 ELECTRA 和关系感知 transformer 层实现与模式实体及问题单词之间的关系嵌入，再使用半自回归解析器和预定义的 SQL 语法解码查询 SQL，从实验结果和案例研究来看，该方法在 NL2SQL 中具有更好的词汇表现力。

    Aug, 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

  • 基于依赖的混合树用于语义解析

    本研究提出了一种新的基于依存的混合树模型，将自然语言转换成机器可解释的含义表示，并通过在标准多语言 GeoQuery 数据集上进行的大量实验证明，我们的方法能够在多种语言上实现最先进的性能。

    Sep, 2018

  • SParC: 跨领域上下文语义解析

    本研究提出了 SParC 数据集，旨在解决复杂的语义解析问题，该数据集跨域，包含了超过 138 个领域的 200 个复杂数据库，包括 4298 个连贯的问题序列和 12000 多个与 SQL 查询一起注释的单独问题。该数据集引入了新的挑战，如复杂的上下文依赖性、更大的语义多样性，需要在未见领域中进行泛化。研究者使用两种最先进的文本到 SQL 模型进行实验。最佳模型在所有问题上的完全匹配准确率为 20.2％，在所有交互序列上少于 10％，这表明数据集的跨域设置和上下文现象对未来研究具有重大挑战。

    Jun, 2019

  • 基于上下文的语义解析在时间结构数据上的应用

    本文介绍了一种新的语义解析设置，使用户能够使用自然语言问题和图形用户界面内的操作查询系统。我们设计了一个基于 LSTM 的编码器 - 解码器架构，通过复制机制和多级输入和先前输出的注意力来建模上下文依赖性。使用策略梯度训练该架构可进一步提高性能，在人工数据上达到了 88.7% 的序列级准确度，在实际数据上达到了 74.8%。

    May, 2019

  • 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

  • 关系视觉推理中的动态语言绑定

    本文提出了一种首个跨越视觉和文本领域的动态关系结构的神经推理方法，可在视觉问答中应用，采用其动态结构反映不断演变的推理上下文，发现有助于多步知识组合和优化的动态图优化问题求解能力。

    Apr, 2020

  • 动态上下文对应网络（DCN）用于语义对齐

    该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。

    Sep, 2019

  • 通过动态架构编码用自然语言纠正语义解析

    提出了一种利用自然语言反馈进行语义解析更正的方法，通过将任务的语义和语法困难分离，只需一轮自然语言反馈即可将文本到 SQL 解析器的准确性提高 26％；同时表明 T5-base 模型能在无需训练的情况下，纠正 T5-large 模型的错误。

    May, 2023