本文介绍了一个基于转移学习的可执行语义分析框架，并在不同领域的数据集上进行了实验，表明可执行语义分析可以统一自然语言处理的不同领域，例如问答 (Q&A) 和口语理解 (SLU).

Mar, 2019

本文介绍了一种神经语义解析器，可以将自然语言表达式映射到逻辑形式，以在特定任务环境中执行，如知识库或数据库，生成响应。解析器使用基于转换的方法生成具有树形结构的逻辑形式，结合由逻辑语言定义的通用树生成算法和领域一般性操作。解析器的生成过程由结构化循环神经网络建模，提供句子上下文和生成历史的丰富编码，以进行预测。为了解决自然语言和逻辑形式标记之间的不匹配，探讨了各种注意机制。最后，我们考虑了神经语义解析器的不同训练设置，包括全监督训练、弱监督训练和远程监督训练。对各种数据集的实验表明了我们解析器的有效性。

Nov, 2017

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

本文介绍了语义解析的组成部分和主要挑战，旨在从数据中学习语义解析器并将其应用于问题回答系统和自然语言界面，提供丰富的逻辑与统计学二合一的领域。

Mar, 2016

本研究旨在为语义解析器注入归纳偏置，以便能够区分虚假和正确的程序，并提出了基于结构化潜在变量的潜在对齐框架，将语义解析任务分解成预测抽象程序和使用微分动态规划建模结构化对齐所需的步骤，最终在 WIKITABLEQUESTIONS 和 WIKISQL 数据集上取得了最先进的性能。新提出的结构对齐机制比标准关注机制更为有效。

Sep, 2019

通过基于程序执行结果的领域无关过滤机制，我们的研究提出在弱监督语义分析框架中应用该方法可以显著提高性能。

Nov, 2023

本文综述了语义解析系统的各种组件及从初始基于规则的方法到当前程序综合的神经方法的重要进展，重点探讨了使用不同程度监督的方法，并强调了学习此类系统所涉及的关键挑战。

Dec, 2018

本文提出了一种使用双重学习算法的语义解析框架，通过与逻辑形式的查询之间的博弈，使语义解析器充分利用数据从而达到更好的性能。实验结果表明，该方法在 ATIS 数据集上取得了最新的最好性能，并在 Overnight 数据集上取得了有竞争力的性能表现。

Jul, 2019

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

本研究提出了一种在多个知识库上进行语义解析的框架，采用弱监督训练。通过多个特定于域的语义分析器（教师）训练一个统一的多域语义解析器（学生）来解决这一挑战。 在标准 Overnight 数据集上，相对于基线技术，该模型在指称准确性方面提高了 20％。

Jun, 2019