Effective Search of Logical Forms for Weakly Supervised Knowledge-Based Question Answering
基于知識的問題解答（KBQA）的許多算法都依賴于語義分析鸟廓，這會將問題轉(zhuǎn)換為邏輯形式鳞疲。當僅提供弱監(jiān)督時，通常需要搜索有效的邏輯形式以進行模型訓練后专。但是，一個復雜的問題通常會涉及巨大的搜索空間侄刽，這會產(chǎn)生兩個主要問題：1）受計算時間和內(nèi)存限制的解決方案通常會降低搜索的成功率，以及2）搜索結(jié)果會降低訓練數(shù)據(jù)的質(zhì)量一汽。這兩個問題導致了語義訓練模型的訓練不足旷痕。在這項工作中碳锈，我們提出了一種基于對問題的算子預測的弱監(jiān)督KBQA的有效搜索方法。通過受預測的運算符約束的搜索空間欺抗，可以探索足夠的搜索路徑售碳，可以推導更有效的邏輯形式，并且可以避免可能引起虛假邏輯形式的運算符绞呈。結(jié)果贸人，在弱監(jiān)督訓練集中的大部分問題都配備了邏輯形式，而生成的可疑邏輯形式更少佃声。這樣高質(zhì)量的訓練數(shù)據(jù)直接有助于建立更好的語義解析模型艺智。在最大的KBQA數(shù)據(jù)集之一（即CSQA）上的實驗結(jié)果證明了我們方法的有效性：就總分而言，將精度從67％提高到72％圾亏，召回率從67％提高到72％力惯。
本文的做法就是，對于只有問題和答案的訓練集召嘶，通過搜索一個被縮小的邏輯形式空間，來找到一個合適的邏輯形式作為訓練數(shù)據(jù)哮缺，然后進行KBQA的訓練弄跌。
我們提出了一種新的方法，通過對弱監(jiān)督的KBQA任務的操作員預測來有效搜索邏輯形式尝苇，該方法為下游問題向邏輯形式的翻譯模型訓練提供了充足且優(yōu)越的數(shù)據(jù)铛只，并使訓練和推理在以下情況下更有效 可能的操作員的約束。 所提出的方法簡單有效糠溜，具有很大的實際應用價值淳玩。 實驗結(jié)果證明了我們方法在減少虛假邏輯形式，提高搜索成功率非竿，提高搜索效率以及提高最終答案準確性方面的有效性蜕着。
Weakly Supervised Multi-task Learning for Semantic Parsing
語義解析是一項具有挑戰(zhàn)性且重要的任務，旨在將自然語言的感知轉(zhuǎn)換為邏輯形式『熘現(xiàn)有的神經(jīng)語義解析方法主要使用<問題承匣，邏輯形式>（Q-L）對來訓練序列到序列模型。但是锤悄，現(xiàn)有Q-L標記數(shù)據(jù)的數(shù)量有限且難以獲得韧骗。我們提出了一種有效的方法，該方法充分利用了來自其他任務的標簽信息來增強語義解析器的訓練零聚。我們設計了一個多任務學習模型來訓練問題類型分類袍暴，實體提及檢測以及使用共享編碼器的問題語義解析些侍。我們提出了一種弱監(jiān)督學習方法，以基于短語的問題應該具有相同的邏輯形式和問題類型信息的思想來增強使用短語數(shù)據(jù)的多任務學習模型政模。最后岗宣，我們將弱監(jiān)督的多任務學習方法集成到編碼器-解碼器框架中。在新構(gòu)建的數(shù)據(jù)集和ComplexWebQuestions上進行的實驗表明览徒，我們提出的方法優(yōu)于最新方法狈定，這證明了我們方法的有效性和魯棒性。
主要的方法就是使用多任務學習來解決標簽不夠的問題习蓬。
在本文中纽什，我們提出了一種用于語義解析的弱監(jiān)督多任務學習方法。 我們設計了一個多任務架構(gòu)躲叼，該架構(gòu)將問題類型和提及標記信息合并到語義解析器中芦缰。 為了進一步提高模型的性能和一致性，我們提出了一種弱監(jiān)督的方法來增強我們的多任務學習模型枫慷。 在兩個數(shù)據(jù)集上的實驗表明让蕾，我們的多任務學習體系結(jié)構(gòu)顯著提高了基線方法的性能。 此外或听，我們提出的弱監(jiān)督學習機制有效地提高了多任務學習模型的性能探孝。
Weakly Supervised Semantic Parsing with Abstract Examples
從弱監(jiān)督（符號）而不是強監(jiān)督（程序）訓練語義解析器會使訓練變得很復雜，有兩種方式誉裆。首先顿颅，在訓練時需要探索大量的潛在節(jié)目，以找到正確的節(jié)目足丢。其次粱腻，偶然導致正確命名的虛假程序會給訓練增加噪音。在這項工作中斩跌，我們提出绍些，在具有清晰語義類型的封閉世界中，人們可以通過使用抽象表示來顯著緩解這些問題耀鸦，在抽象表示中柬批，語言表達和程序中的標記都被提升為抽象形式。我們證明了可以用一些詞匯規(guī)則來定義這些抽象袖订，并且它們導致了不同示例之間的共享萝快，從而減輕了訓練中的困難。為了測試我們的方法著角，我們開發(fā)了第一個用于CNLVR的語義解析器揪漩，這是一個具有挑戰(zhàn)性的視覺推理數(shù)據(jù)集，其中的搜索空間很大吏口，克服虛假性至關重要奄容，因為表示法為TRUE或FALSE冰更，因此是隨機程序可能會導致正確的表示方式。我們的方法大大提高了性能昂勒，達到了82.5％的準確度蜀细，與迄今為止報告的最佳準確性相比，絕對準確度提高了14.7％戈盈。
在這項工作中奠衔，我們以結(jié)構(gòu)化表示作為輸入，提出了第一個CNLVR數(shù)據(jù)集的語義解析器塘娶。我們的主要見解是归斤，在封閉的，類型良好的域中刁岸，我們可以生成抽象的示例脏里，這些示例可以幫助解決從延遲的監(jiān)督訓練解析器的難題。首先虹曙，我們使用抽象示例半自動生成有助于熱啟動我們的參數(shù)的發(fā)聲程序?qū)ζ群幔瑥亩鴾p少了尋找具有隨機參數(shù)的正確程序的艱巨搜索挑戰(zhàn)。第二酝碳，我們專注于示例的抽象表示矾踱，它使我們能夠通過在不同示例之間共享有關有前途的程序的信息來解決虛假情況并減輕搜索。我們的方法極大地提高了CNLVR的性能疏哗，建立了新的技術(shù)水平介返。在本文中，我們使用了手動構(gòu)建的高精度詞典來構(gòu)建抽象示例沃斤。這適用于類型良好的域，這些域在虛擬助手用例中無處不在刃宵。在未來的工作中衡瓶，我們計劃擴展這項工作，并自動學習這樣的詞典牲证。這可以減少人工工作哮针，并擴展到語言方面存在很大差異的更大范圍。
