Oct, 2022

具有栈变压器的移位约减任务导向语义解析

PDF
TL;DR本文探讨了基于转换系统的移进规约语义分析器，利用 Cutting-edge Transformer 架构和 In-order 算法，结合 Facebook TOP 基准中的多个领域的广泛测试，本方法在高资源和低资源情况下均超过了现有的移进规约解析器和最先进的序列到序列模型。
intelligent voice assistantssemantic parsingshift-reduce parserssequence-to-sequence modelstask-oriented parsing
发现论文，激发创造
  • 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

  • 非二叉的自底向上策略加速移位约简组成分析

    该文章提出了一种新颖的非二元移进 - 规约算法用于组成句法分析，其比现有的基于移进 - 规约的组成句法分析系统使用更少的转换，成为最快的该类系统，以此加快下游任务的速度。该算法的准确性可以与当前最先进的基于移进 - 规约技术的组成句法分析器相媲美，同时在 Wall Street Journal 部分中，它超过所有自上而下有效移进 - 规约的系统。

    Apr, 2018

  • 神经预读特征的移进 - 规约成分句法分析

    本文针对移位 - 归约分析的相对弱点，利用双向 LSTM 模型提取向前追望特征，并将结果传递给强大的过渡性成分分析器，提高了 1.3% 在 WSJ 和 2.3% 在 CTB 中的准确性。

    Dec, 2016

  • 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

  • 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

  • 任务导向语义解析中的 Transformer 诊断

    本文研究了 BART 和 XLM-R 两种目前最先进的基于 transformers 的任务导向语义解析模型在单语和多语境下的表现，实验证明它们不仅在消歧意图 / 槽方面有困难，而且在生成句法上有效的语义框架方面也遇到了问题，主要原因是在把句子片段抽取到框架中时存在歧义，导致语法无效。不过，该模型同时也为是否正确或不正确的语义框架给出了充足的指标，使得该模型可以轻松部署在生产环境中。

    May, 2021

  • 利用层次表示生成面向任务的语义分析合成数据

    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。

    Nov, 2020

  • 使用可微分解析器进行潜在树学习：移进 - 规约解析和图表解析

    本研究提出一种基于 Shift-Reduce Parsing 的潜在树学习模型，在下游任务上具有竞争性能表现和重要诱导树，同时使用图表模型进行对比分析。

    Jun, 2018

  • 基于跨度的成分句法分析：结构标签系统和可证明最优动态预测

    通过使用仅包含句子跨度的最小 LSTM 特征表示的新的 shift-reduce 系统以及第一个可以证明最优的动态 Oracle，该算法的时间复杂度是摊销 O（1），相比于标准依赖解析的 O（n ^ 3）Oracle，我们在使用这个 Oracle 进行训练后，在不使用重新排名或外部数据的情况下取得了最好的 F1 分数，而句法解析准确度得到了显著提高。

    Dec, 2016

  • 自顶向下和自左向右移位归约成分句法分析的动态预言机

    利用新颖的动态预测模型，提高基于转移的 shift-reduce 算法在成分句法分析中的准确率。其中，我们针对自顶向下和自内向外两种转移方式的解析器设计了动态预测模型，可以显著提高句法分析的准确率，达到了 92.0 F1 的最佳水平。

    Oct, 2018