本文研究了使用自然语言反馈进行语义解析校正的任务，并构建了 SPLASH 数据集，证明这种反馈形式可以显著提高语义解析的准确性。

May, 2020

本研究提出了一种使用神经序列模型直接将话语映射到 SQL 的自然语言接口构建方法，并基于用户反馈实现高质量的语义解析，实验表明这种方法快速适用于任何新领域。

Apr, 2017

发展了一种从自然语言反馈中训练语义解析器的学习算法，为了使其直观可扩展性，该算法使用了用户纠正、会话记录等已有的自然语言数据作为监督信号，相对于使用严谨的逻辑形式或者特定答案的监督方法，可以接受那些并不熟悉语言形式的用户。研究还构建了一个自然语言反馈的对话数据集，并证明该方法对于从这些自然语言监督信号中学习语义解析器是有效的。

Feb, 2019

该研究通过 NL-EDIT 模型演示自然语言反馈的交互过程中，对语义解析的一次修正可以将现有文本到 SQL 解析器的准确性提高 20％，并分析该模型的局限性并讨论改进和评估方向。

Mar, 2021

本文介绍了一种通过用户直接学习语义解析器的 “人在循环” 方法，在此过程中，语义解析器应该自我观察其不确定性并在不确定时提示用户演示。为了解决演示稀疏性问题，提出了一种新颖的注释高效的仿真学习算法，该算法通过混合演示的状态和自信的预测来迭代地收集新数据集，并以数据集聚合的方式重新训练语义解析器，在 text-to-SQL 问题上表现良好。

May, 2020

通过对历史系统中的模型输出提供人类可理解的语句，并将其转换为学习信号，我们介绍了新的估算器，并讨论了如何将我们的反馈收集方法无缝地集成到部署的虚拟个人助手中，从而证明了从记录的人类反馈数据中，可以通过反事实学习显著提高语义解析器。

Nov, 2018

本研究采用自然语言反馈作为人工智能代理的学习信号，使用基于方面的情感分析将反馈分解为关于马尔可夫决策过程功能的情感。然后通过推理情感模型中的潜在奖励函数，来进行反向强化学习。实验表明本方法可以成功地从人的互动反馈中学习，并提供了关于自然语言反馈信息结构和利用它进行强化学习的方法。

Sep, 2020

本研究研究了一种交互式语义解析框架，它可以通过自然语言一步一步地解释预测的逻辑形式，并允许用户通过自然语言反馈进行更正，主要关注问答和知识库的关系，构建了 INSPIRED 数据集，并进行了实验，有望大大提高总体解析精度。

Oct, 2021

本篇论文研究了如何通过历史系统中用户反馈数据来提高目标系统的性能，并介绍了一种将此框架应用于神经语义解析的方法。该方法的挑战在于适当地重新加权评估器，以避免策略学习中已知的退化现象，并仍能适用于随机梯度优化。为了与人类用户进行实验，我们设计了一个易于使用的界面来收集人类对语义解析的反馈。我们的工作是第一个显示从已记录的人类反馈数据中可以通过反事实学习显著提高语义解析器性能的工作。

May, 2018

该研究旨在创建一个交互式、自然语言接口，通过学习用户在模拟机器人环境中完成任务。该接口引入了一种神经语义解析系统，通过分解学习新的高层抽象：用户通过将描述新行为的高层话语分解为它可以理解的低级步骤来与系统互动。作者的方法弥合了现有方法之间的差距，并证明了现代神经系统的灵活性以及基于语法的方法具有的一次可靠泛化能力。研究还讨论了实现交互式范式的潜力的障碍。

Oct, 2020