AAAIJan, 2021

英文文本的知识驱动自然语言理解及其应用

PDF
TL;DR该论文提出了一种基于知识驱动的语义表示方法，它使用 VerbNet 词典将文本的语法树映射到它的常识意义，这个通用知识可用于构建基于推理的 NLU 系统，且能提供解释。作者将此方法应用于构建了 SQuARE 和 StaCACK 两个 NLU 应用程序，并展示了这两个系统的高准确性与能力。
natural language understandingnlusemantic representationcommonsense knowledgequestion answering
发现论文，激发创造
  • 神经网络自然语言理解系统中背景知识的动态整合

    本文提出了一种动态集成显式背景知识的 NLU 模型，使用通用阅读模块来读取背景知识，并经过实验验证其在文档问答和文本蕴涵等任务上取得了显著的效果。

    Jun, 2017

  • 一种可扩展的框架，用于从隐性用户反馈中学习，以改善大规模对话 AI 系统中的自然语言理解能力

    本文提出了一种可扩展且自动的方法，通过利用隐式用户反馈来改进大规模对话 AI 系统中的自然语言理解 (NLU)。我们基于用户交互数据和对话上下文，提出了一个通用的领域无关框架，以改进来自生产流量的 NLU 新监督数据。通过广泛的实验，我们展示了应用该框架并改进大规模生产系统中的 NLU 的结果，并展示了其在 10 个领域的影响。

    Oct, 2020

  • 自然语言理解系统的理解和评估

    本文通过对最新的自然语言理解系统的语言能力进行批判性分析，认为这些系统具备人类语言学习和处理的重要方面，但同时缺乏关键的解释和推论技能，除非它们被结构化知识和利用语言使用能力所整合，否则难以实现这些技能。

    Mar, 2023

  • 会话式人工智能的口语理解：近期进展和未来方向

    该论文讨论了使用深度学习技术进行自然语言理解的联合任务，包括意图检测和槽填充，介绍了 Spoken Language Understanding/Natural Language Understanding（SLU/NLU）技术和用于解决该问题的最新自然语言处理和深度学习技术，以及如何提高性能的一些方法。

    Dec, 2022

  • 运用知识和推理实现类人自然语言生成：简要回顾

    本文探讨以知识为指导的自然语言生成技术，旨在产生具有人类思维方式的文本内容。作者提出了十个目标来指导智能化自然语言生成系统的发展，同时简要回顾了以知识和推理为指导的自然语言生成技术的成就。最后，作者展望了未来的发展方向和挑战。

    Dec, 2022

  • 知识为师：基于知识引导的结构化注意力网络

    本文介绍了一种知识引导的结构注意力网络 (K-SAN) 模型，其是循环神经网络 (RNN) 的推广，此模型可以自动识别关键的子结构并加以利用，以提高对于自然语言理解的性能，表现优于基于神经网络的现有框架。

    Sep, 2016

  • 元语义学：迈向更好的自然语言理解和推理

    本文提出了两种解决 out-of-vocabulary 问题的策略和一个语义模型，以解决传统深度神经网络和基于规则的方法在自然语言理解上所面临的挑战。

    Apr, 2023

  • 基於大型語言模型的無人系統知識庫問答的上下文學習

    基于知识库的问答（KBQA）旨在根据知识库来回答事实性问题。本研究针对无人系统中的知识图推理问答的 CCKS2023 竞赛，在 ChatGPT 和 GPT-3 等大型语言模型在许多问答任务中取得的最近成功的启发下，提出了基于 ChatGPT 的 Cypher 查询语言（CQL）生成框架，从给定的自然语言问题中生成最适合的 CQL 查询。我们的生成框架包括六个部分：根据给定的自然语言问题预测 CQL 的语法相关信息的辅助模型，从给定的自然语言问题中提取专有名词的专有名词匹配器，检索输入样例的相似示例的演示示例选择器，设计 ChatGPT 的输入模板的提示构造器，生成 CQL 的 ChatGPT 模型，以及从多样化的输出中获取最终答案的集成模型。凭借我们的基于 ChatGPT 的 CQL 生成框架，我们在 CCKS 2023 无人系统知识图推理问答竞赛中获得第二名，F1-score 为 0.92676。

    Nov, 2023

  • 一种神经符号化方法用于自然语言理解

    通过启用预训练语言模型的深度神经网络，在系统 1 和系统 2 的理论支持下，实现了基于神经和符号处理的类比推理和逻辑推理，并在数值推理的两种自然语言理解任务中显著优于现有的最先进方法。

    Mar, 2022

  • 口语理解中的语义概念抽取现状如何？

    本文述及基于最近三年的神经网络技术，通过直接从语音信号中提取语义，取代传统的分类式自然语言处理方式，以 spoken language understanding 话题研究为主，在利用未标记的数据进行自我监督训练方面取得了新的突破。同时介绍了针对法语 MEDIA 数据集的最新进展，并提出了得到明显改进的成果，概念误差率（CER）从现有最优系统的 13.6% 降至 11.2%。

    Jun, 2021