Dec, 2022

PIZZA：面向复杂端到端任务的新基准解析

PDF
TL;DR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。
发现论文，激发创造
  • Cross-TOP：零样本跨模式任务导向的解析

    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。

    Jun, 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

  • 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

  • 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

  • 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

  • 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

  • 面向组合式任务的低资源域自适应语义解析

    本文介绍了一种新方法，使用 BART 进行表征学习并使用基于优化的元学习方法来提高到低资源域的泛化性能，以使任务导向的语义解析器适应低资源域，这种方法在新收集的多领域任务导向语义解析数据集（TOPv2）方面明显优于所有基线方法。

    Oct, 2020

  • 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

  • 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