该论文研究了使用问答的方式表示语义关系,并从三个任务的角度分析了如何最好地利用 seq2seq 预训练语言模型的威力。最终提出了一个综合文本信息的模型,并发布了具有实用性的 QASem 分析工具。
May, 2022
本文提出了基于依赖图的 QDMR 解析器,通过提出非自回归图解析器和使用金标准图作为辅助监督的 seq2seq 解析器,实现了推理速度的 16 倍提升和对新域的更好泛化能力。
Apr, 2021
用于预测量化器范围的一种新颖机制的 AMS 解析器,在 Discourse Representation Theory(DRT)解析方面表现良好,尤其是对于复杂句子。
Jul, 2024
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
使用递归神经网络自动推断语义结构图形,以提高对多语种语言的理解和建模能力。
Sep, 2019
提出了一种基于 Neural 的序列到序列的语义解析器,它能够高准确率地产生英语句子的 DRSs,并通过引入 De Bruijn 索引消除变量名以提高解析器性能,以及加入银标注数据来进一步提高性能。
Oct, 2018
本文介绍了一种新颖的深度学习架构,通过将两个语言语义的神经模型相结合,提供了一个语义分析系统,无需解析即可从自然语言语句和问题中生成本体库特定的查询,使其特别适用于语法错误或句法非典型的文本,例如 Twitter,也允许开发受资源限制的语言的语义解析器。
Apr, 2014
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。
本论文研究了使用神经机器翻译范式进行问题解析的应用,采用序列到序列模型来学习 SPARQL 图查询语言及其组合中的图形模式。通过模板构建问题和查询之间的对齐情况,探讨半监督学习方法代替问题 - 答案对诱导程序,并且借助自然语言生成的新进展扩展语言表达的覆盖范围。
Jun, 2018