- EMNLP粗到细双编码器更好的帧识别学习器
CoFFTEA 提出一种粗到细的框架和目标编码体系结构,通过对比学习和双编码器,有效地模拟了框架和目标之间的对齐,实验结果表明,CoFFTEA 的整体得分比以前的模型高 0.93,并且在没有 lexicon filtering 的情况下 R - 使用超图表示的合成文本生成
使用基于超图的方法生成语义框架,通过变换框架内容生成多样、连贯、风格、情感、格式、结构和事实都有变化的文档。
- ACL文本摘要中可解释的自动细粒度不一致性检测
研究提出了 fine-grained inconsistency detection 任务,用于检测文本摘要中的细粒度事实错误类型。通过提出的 FineGrainFact 方法,结合语义帧和语义角色标记来实现明确的事实表示、错误预测和总结改 - SEAL: 用于感知机器人动作的语义框架执行和定位
本文介绍了一种针对机器人操纵动作的语义框架表示方法,并引入了 SEAL 问题和 SeFM 算法来提高机器人在大型环境中的任务执行效率。
- 用凸多面体建模进行无监督语义结构推导,实现高效自然语言理解
本文研究了 Convex-Polytopic-Model 的模型细节,并在 ATIS 语料库上展示出该模型在自然语言理解任务中自动提取语义模式的能力及其对 NLU 模型性能提升的影响。
- AAAI文本已不再足够!基于个人资料的口语语言理解基准测试
本文提出 Profile-based Spoken Language Understanding(ProSLU)任务和包含知识图谱、用户资料和上下文意识信息的大规模中文数据集,并使用多级知识适配器,有效地融合支持信息进行句子级意图检测和标记 - ACL基于上下文化单词表示的动词意义聚类用于语义框架归纳
本文研究了不同上下文环境下,有些动词引起的语义框架不同,以及如何利用 Contextualized word representations 识别这些不同的语义框架,同时探索哪些类型的表示适合用于语义框架的归纳。通过比较七种不同的 Cont - ACL用语义例子控制对话生成
使用基于语义框架的示例响应指导,控制对话生成提高了生成响应的连贯性,同时保留了示例响应中存在的语义意义和对话目标。
- AAAI解决对话中的短语省略:你为什么问 “为什么”?
本文介绍了消解仅含一个词的问句(在语言学中称为 sluices)的新颖任务:ellipsis resolution,并提供了一个由超过 4000 个对话中的 sluices 注释的众包数据集,以及一系列强基准架构。
- EMNLP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。
- 一种高效的口语理解上下文编码方法
本论文提出了一种用于语音对话系统的有效的语言理解方法,它包括使用记忆网络来处理多个对话中的话语,以及使用循环神经网络进行上下文编码,以提高语义解析精度和计算效率。
- AAAI众包框架消岐中的歧义捕捉
本文介绍了一种使用众包方法收集句子中的框架语义歧义注释的方法,以捕捉注释者之间的不一致性,展示了聚合众包注释的结果高于专家语言学家,强调了需要每个句子有多个注释者的必要性,并讨论了众包工人不能达成一致的情况
- SLING:用于框架语义解析的框架
SLING 是一个用于将自然语言解析成语义框架的框架,使用双向 LSTM 输入编码和输出解码的转换式神经网络解析,可直接输出帧图而无需任何符号表示。
- 用非监督潜变量模型从文本中学习框架
本文使用一种概率潜变量模型来发现语料库中的语义框架,比较该模型与 FrameNet,重点讨论推理问题。