May, 2023

基于任务无关本体和简单标签的零样本帧语义解析

PDF
TL;DR本文介绍了 OpenFSP 框架，它可以以少量简单的标签为基础，实现对话系统中领域分类与语义解析的任务，并获得了在 TopV2 数据集上的显著表现。
frame semantic parsingtask-oriented dialogue systemsopenfspintent and slots identificationnlp
发现论文，激发创造
  • 领域扩展的零样本帧语义分析

    本文提出了一种基于深度学习的方法，利用多任务学习中的槽位描述来快速启动新领域的语义解析模型，解决了对话系统领域扩展问题，同时消除了手动注释数据或显式模式对齐的需求，并在多个领域的实验中展现出显著的槽位填充性能优化。

    Jul, 2017

  • 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

  • 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

  • 使用 Transformer 进行开放领域框架语义解析

    基于 transformer-based 模型的多任务学习在框架语义解析中取得优越性能，并且在 PropBank SRL 解析上也表现优于现有最佳系统。

    Oct, 2020

  • 通过固有建模实现低资源任务导向语义解析

    本研究提出了一种基于任务的语义解析模型来提高在低资源环境下的学习效率，并通过预处理和训练过程探索了本体标签的内在属性，以作为知识库，最终实现了在模型效率和性能方面的提升。

    Apr, 2021

  • 概念预训练下的低资源组合语义分析

    本文提出的基于 seq2seq 的模型结构，可以在零样本或少量样本的情况下，通过对新领域的元数据进行编码，自动实现领域自适应的语义解析，并通过在 Wikidata 上预训练以增强概念感知能力，从而在 TOPv2 和 SNIPS 数据集上优于以前的研究成果。

    Jan, 2023

  • 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

  • 从领域本体构建神经语义解析器

    本文提出了一种基于领域本体的框架，通过生成人类可理解的自然语言模板，从而将自然语言句子转化为机器可读的含义表示；并解决了语义解析在大规模领域中由训练数据的获取以及模型推广的复杂度所面临的挑战，该框架在六个领域进行数据训练，证明了其能快速且低成本地进行语义解析。

    Dec, 2018

  • 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

  • OneNet: 适用于口语理解的域、意图和槽位联合预测

    本研究提出了一种基于神经网络的多任务学习的统一方法，包括口语语言理解中的领域、意向和槽位预测，通过输入编码和课程式训练等技术，显著提高了模型的性能。

    Jan, 2018