- ACL跨图银行的组合语义解析
本研究提出了一种基于神经网络的语义解析器,它能够对不同的图数据库实现更高的准确性,并通过结合 BERT 嵌入和多任务学习技术进一步提高其准确度,从而在 DM、PAS、PSD、AMR 2015 和 EDS 等多个任务上取得了最新的最优结果。
- EMNLP从自然语言监督中学习语义解析器
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 - EMNLP为语义解析器识别领域邻接实例
通过比较各种基准线,本研究提出了一种新的简单句子表示方法,并在该方法下进行了下游语义分析器的测试。结果表明,该方法显著提高了领域相邻实例和领域内实例的性能。
- EMNLP从 SQL 查询中生成问题改善了神经语义解析
本文通过在最大手工标注语义解析数据集 WikiSQL 上展示问题生成是一种有效的半监督学习方法,使我们能够用百分之三十的监督训练数据来学习最先进的神经网络语义解析器,并发现语义解析器的准确性和训练数据量之间存在对数关系。
- ACL带有类型语义代数的 AMR 依存解析
我们提出了一种语义解析器,可以将字符串解析为 AMR 图的组成结构的树形表示,利用语言学原则约束标准神经技术进行超标记和依存树解析。我们提出了两种近似解码算法,实现了最先进的准确度并优于强基线。
- ACL使用自然语言说明训练分类器
本研究提出了 BabbleLabble 框架,使用人类的自然语言解释来训练分类器,得到了具有可比 F1 得分的分类器。此外,针对标记函数的固有不完美性,我们发现简单的基于规则的语义解析器就足以胜任。
- EMNLP宏语法及整体触发在有效语义解析中的应用
该研究提出了一种新的在线学习算法,利用宏语法缓存已发现的有用逻辑形式的抽象模式,以及利用整体触发根据句子相似度高效检索相关模式,其在 WikiTableQuestions 数据集上达到 43.7% 的准确率和 11 倍的速度提升。
- 从语言到程序:强化学习与最大边际似然的结合
该研究旨在学习一个将自然语言话语映射到可执行程序的语义分析器,该过程中只有正确执行结果的标记,而没有程序的标记。该研究通过将强化学习和最大边际似然相结合,开发出一种新的学习算法。该算法通过整合 MML 的系统搜索和 RL 的随机探索,防止歧 - ACL多知识库神经语义解析
通过在不同领域的语言中利用结构规律,并在多个知识库中共享信息来训练语义解析器的序列到序列模型,同时在解码时提供域的编码,可以显著提高解析准确性,从而实现了针对 Overnight 数据集(包含八个领域)的最新性能,将模型参数的数量降低了 7 - 学习基于依赖的组合语义
研究使用问题 - 回答对来学习语义解析器,其中逻辑形式被建模为潜变量,并提出了一种新的语义形式 —— 基于依赖的组成语义学。该方法具有有利的语言学、统计和计算性质,并在两个标准语义解析基准测试中优于所有现有的最先进系统。