ACLJun, 2022

Cross-TOP：零样本跨模式任务导向的解析

PDF
TL;DR本文介绍了一种名为 Cross-TOP 的零 - shot 方法，通过利用用户请求的词汇和语义相似性，训练单个交叉架构解析器以服务于垂直内的任意数量的任务，从而为新任务引导语义解析器提供可扩展的方式。
deep learningtask-oriented semantic parsingcross-schema task-oriented parsingzero-shot learningdata scalability
发现论文，激发创造
  • 使用大型语言模型的零样本任务导向语义解析

    本研究探讨了如何利用大型语言模型进行零 - shot 语义解析的方法，提出了一种名为 ZEROTOP 的采用问答 (QA) 问题分解语义解析问题的解决方案，并通过精调语言模型在 QA 数据集上的表现，实现了对 MTOP 数据集中约 16% 的短语进行无标注数据的语义解析。

    Dec, 2022

  • 零样本跨语言语义解析

    本文提出一种多任务编码 - 解码模型，通过多语言领域内语料库和英文 - 逻辑形式对标数据，在没有平行语料的情况下完成跨语言的语义解析，模型加强了语言无关编码，显著优于传统基于翻译的算法，有时能与有监督模型的上线媲美。

    Apr, 2021

  • MTOP: 一个全面的多语言任务导向的语义解析基准

    本文提出了一种新的多语言数据集 MTOP，用于任务导向的语义解析，并使用该数据集和其他公开数据集来对最新的多语言预训练模型进行全面的基准测试，得到了 6.3 个 Slot F1 平均提高，并展示了使用预训练模型和自动翻译和对齐，以及远程监督方法结合，以减少槽标签投影中的噪声来实现强大的零 - shot 性能。

    Aug, 2020

  • PIZZA：面向复杂端到端任务的新基准解析

    本文研究任务导向的解析，并通过引入新的解析 pizza 和饮料订单的数据集，并在该数据集上进行深度学习技术的广泛评估，包括不同风格的 seq2seq 系统和 RNNGs，演示了直接生成 EXR 符号表示的解析器的训练不仅可以一举解决实体分辨问题，并克服 TOP 符号表示的多个表达限制，同时也导致显着更高的解析准确性。

    Dec, 2022

  • 任务导向对话的词典注入语义分析

    本文提出一种新的基于层次表示的语义分析模型，使用分裂跨度和词汇注入技术，解决动态槽值的问题，取得了 TOP 数据集上最新的最佳结果。

    Nov, 2022

  • 无零样本语义解析的结构与词汇解耦

    本文提出一种零样本方法，该方法可以在只在其他源域示例中进行训练的情况下解析看不见领域的话语，并通过词汇对齐分数和全局推理将槽替换为知识库常量，从而解决了当前语义解析器需要昂贵监督并且不能推广到新领域的问题。

    Apr, 2018

  • 抽象问答作为复合任务导向的语法解析

    本文提出了一种基于 QA 技术的自然化语义分析方法，解决了先前基于序列到序列 (seq2seq) 模型生成线性化解析树的一些局限性，减少语义偏差，拥有很好的性能表现。

    May, 2022

  • 跨语义解析的最佳传输后验对准

    跨语言语义解析利用最优传输从高资源语言（例如英语）向训练数据稀缺的低资源语言转移解析能力。我们提出了一种新的跨语言语义解析方法，通过显式地最小化概率潜变量之间的跨语言差异来改善自然语言解析，减少训练样本的使用。我们在 MTOP 和 MultiATIS++SQL 两个数据集上评估方法，在少样本跨语言情景下取得了最先进的结果。消融研究进一步揭示了我们的方法即使没有平行输入翻译也能提高性能。此外，我们展示了我们的模型更好地在潜空间中捕获跨语言结构，从而提高了语义表示的相似性。

    Jul, 2023

  • 提高任务导向对话中的语义解析

    本文针对基于任务导向的对话提出了基于分层表示的语义分析方法，并通过嵌入上下文、集成学习和基于语言模型的成对重新排名等三种不同的改进方式来优化模型，将可能存在的分层表示错误进行分类，并展示了三种方法分别纠正不同类型的错误，进而通过将三种技术相结合，提高了 6.4％的准确度和 33％的错误率降低，使其在 TOP 数据集上首次实现了最新的状态 - of-the-art 结果。

    Feb, 2019

  • 一个语义分析器解析所有问题：基于序列到序列多任务学习的语义解析数据集

    本文为研究使用多任务学习 (MTL) 框架统一不同的含义数据集和训练单一模型，使用了五个数据集 (Geoquery，NLMaps，TOP，Overnight，AMR) 进行实验，我们发现在不增加总参数数量的情况下，全网络共享的 MTL 架构的解析精度与单任务的基线相当或更好，同时也提供了更好的组合推广性，我们还提出了一种可与广泛使用的比例抽样策略相比较的竞争性选择任务抽样方法。

    Jun, 2021