本文主要探讨利用相关输入输出程序的一致性来减少错误原因正确答案的虚假程序对弱监督语义解析的影响，通过通过自然语言视觉推理数据集从而获得优秀的模型表现的。
Jul, 2021
本研究提出了一种在多个知识库上进行语义解析的框架，采用弱监督训练。通过多个特定于域的语义分析器（教师）训练一个统一的多域语义解析器（学生）来解决这一挑战。 在标准 Overnight 数据集上，相对于基线技术，该模型在指称准确性方面提高了 20％。
Jun, 2019
本文针对半监督学习中 NL utterances 匹配 program 的任务，提出了一种新的方法 —— 鼓励 parser 为未标注 utterances 生成可执行的 program，并从后验正则化的角度提出了一组新的训练目标，实验显示这些新目标优于常规方法，使半监督和监督学习之间的差距缩小。
Apr, 2021
本研究旨在为语义解析器注入归纳偏置，以便能够区分虚假和正确的程序，并提出了基于结构化潜在变量的潜在对齐框架，将语义解析任务分解成预测抽象程序和使用微分动态规划建模结构化对齐所需的步骤，最终在 WIKITABLEQUESTIONS 和 WIKISQL 数据集上取得了最先进的性能。新提出的结构对齐机制比标准关注机制更为有效。
Sep, 2019
本论文提出了一种训练语义解析器的新方式，即利用抽象化表示，而非强监督方式（程序），以缓解训练过程中的困难。经实验证明，这种方法可以成功地用于处理视觉推理数据集以提升性能。
Nov, 2017
该研究论文针对通过自然语言指令进行解析的语义解析器，在利用弱监督学习时引入主动学习以提高模型性能的问题进行了研究，并在两个数据集上进行了实验。
Nov, 2019
本文介绍了一个基于转移学习的可执行语义分析框架，并在不同领域的数据集上进行了实验，表明可执行语义分析可以统一自然语言处理的不同领域，例如问答 (Q&A) 和口语理解 (SLU).
Mar, 2019
本文介绍了一种神经语义解析器，可以将自然语言表达式映射到逻辑形式，以在特定任务环境中执行，如知识库或数据库，生成响应。解析器使用基于转换的方法生成具有树形结构的逻辑形式，结合由逻辑语言定义的通用树生成算法和领域一般性操作。解析器的生成过程由结构化循环神经网络建模，提供句子上下文和生成历史的丰富编码，以进行预测。为了解决自然语言和逻辑形式标记之间的不匹配，探讨了各种注意机制。最后，我们考虑了神经语义解析器的不同训练设置，包括全监督训练、弱监督训练和远程监督训练。对各种数据集的实验表明了我们解析器的有效性。
本篇论文提出了一种名为 P3 的基于概率编程的问答模型，可以使用背景知识和问题 / 环境的全局特征，同时保留高效的近似推理。该模型将语义解析作为概率程序进行处理，可以执行不确定的行为，其可能的执行路径代表了环境的不确定性。作者基于一个新的、公开发布的包括 5000 个科学图表的数据集进行了实验，结果表明该模型的表现优于经典和神经基线模型。
Jun, 2016
该研究探讨了神经话语解析的问题，引入新的执行指南机制来利用 SQL 的语义，证明其普遍提高了基于自回归生成模型的语义解析模型的性能。
Jul, 2018