Learning a Neural Semantic Parser from User Feedback
Allen Institute for Artificial Intelligence（艾伦人工智能研究院）
我们提出了一种方法，快速，轻松地建立自然语言接口的数据库，新的领域，其性能随着时间的推移，根据用户的反馈，并需要最少的干预。为了实现这一点，我们调整神经序列模型，将话语直接映射到具有完整表达能力的SQL，绕过任何中间含义表示。这些模型会立即在线部署，以征求真实用户的反馈，从而标记不正确的查询。最后，SQL的流行便于使用crowd为不正确的预测收集注释，这直接用于改进我们的模型。这种完整的反馈循环，没有中间表示或数据库特定的工程，开辟了构建高质量语义解析器的新方法。实验表明，这种方法可以快速部署任何新的目标域，我们从头开始学习一个在线学术数据库的语义解析器。
2017-04-27 cs.CL
Faster and Better Grammar-based Text-to-SQL Parsing via Clause-level Parallel Decoding and Alignment Loss
Baidu Inc（百度公司）；Soochow University（苏州大学）
基于语法的语法分析器在跨域文本到SQL的解析任务中取得了很高的性能，但由于语法选择的动作比SQL查询中的标记的动作多得多，解码效率低。同时，如何更好地对齐SQL子句和问题段一直是分析性能的关键挑战。因此，本文提出了子句级并行解码和对齐损失，以增强两个高性能的基于语法的解析器，即，RATSQL和LGESQL。两个解析器的实验结果表明，我们的方法获得了一致的改善，无论是在准确性和解码速度。
2022-04-26 cs.CL
Semantic Decomposition of Question and SQL for Text-to-SQL Parsing
Ben Gurion University（本·古里安大学）
针对Text-to-SQL跨域复杂查询泛化难题，提出模块化查询计划语言QPL系统分解SQL，扩充Spider数据集，实验证明其优于直接解析，并支持构建对数据库模式敏感的问题分解器且提升可解释性。
2023-10-20 cs.CL
Entity Linking for Queries by Searching Wikipedia Sentences
State Key Laboratory of Software Development Environment, Beihang University（北京航空航天大学软件开发环境国家重点实验室）；Microsoft Research Asia（微软亚洲研究院）；Shandong University（山东大学）
我们提出了一个简单而有效的方法来连接查询中的实体。其核心思想是从维基百科文章中搜索与查询相似的句子，并直接使用相似句子中的人工标注实体作为查询的候选实体。然后，我们采用了一组丰富的功能，如链接概率，上下文匹配，词嵌入，以及候选实体之间的相关性，以及它们的相关实体，在一个基于回归的框架下对候选人进行排名。我们的方法的优点在于两个方面，这有助于排名过程和最终的链接结果。首先，它可以通过过滤掉与查询中的词不相关的实体来大大减少候选实体的数量。其次，我们可以获得查询敏感的先验概率，除了静态链接概率来自所有维基百科的文章。我们在两个基准数据集上进行了实体链接查询的实验，即ERD14数据集和GERDAQ数据集。实验结果表明，我们的方法优于国家的最先进的系统，并在ERD 14数据集和GERDAQ数据集上的F1收益率分别为75.0%和56.9%。
2017-05-18 cs.CL
Semantic Parsing for Conversational Question Answering over Knowledge Graphs
University of Edinburgh（爱丁堡大学）；Amazon Alexa（亚马逊Alexa）
在本文中，我们感兴趣的是开发语义解析器，理解嵌入在与用户的对话中的自然语言问题，并将其置于具有非常大的词汇量（涵盖数千个概念名称和关系，以及数百万个实体）的通用知识图谱（KG）中的定义上的正式查询。为此，我们开发了一个数据集，其中用户问题用Sparql解析进行注释，系统答案对应于其执行结果。我们提出了两种不同的语义解析方法，并强调了任务的挑战：处理大词汇，建模会话上下文，预测查询与多个实体，并概括到新的问题在测试时。我们希望我们的数据集将作为对话式语义解析器开发的有用测试平台。我们的数据集和模型发布在https://github.com/EdinburghNLP/SPICE。
2023-01-28 cs.CL
Error Detection for Text-to-SQL Semantic Parsing
The Ohio State University（俄亥俄州立大学）
本文提出独立于解析器的 text-to-SQL 错误检测模型，结合代码语言模型与图神经网络学习问题和 SQL 结构，并在跨领域真实错误上训练，实验证明其优于解析器相关不确定性指标。
2023-12-06 cs.CL
SPARQLing Database Queries from Intermediate Question Decompositions
HSE University（高等经济大学）；Yandex（杨德克斯）
为了将自然语言问题转换为可执行的数据库查询，大多数方法依赖于完全注释的训练集。使用查询注释大型数据集是困难的，因为它需要查询语言专业知识。我们减少这种负担，使用接地在数据库中间的问题表示。这些表示更容易收集，并且最初在Break数据集中众包（Wolfson等人，2020年）。我们的管道由两部分组成：一个神经语义解析器，它将自然语言问题转换为中间表示和一个不可训练的转译器SPARQL查询语言（一种访问知识图谱和语义Web的标准语言）。我们选择SPARQL是因为它的查询在结构上更接近我们的中间表示（与SQL相比）。我们观察到，我们的模型在具有挑战性的Spider数据集上构建的查询的执行准确性与使用注释SQL查询训练的最先进的文本到SQL方法相当。我们的代码和数据是公开的（请参阅https：//github.com/yandex-research/sparqling-queries）。
2022-05-31 cs.CL
CQR-SQL: Conversational Question Reformulation Enhanced Context-Dependent Text-to-SQL Parsers
Tencent Cloud Xiaowei（腾讯云小微）；Beihang University（北京航空航天大学）
上下文相关的文本到SQL是将多轮问题转换为与数据库相关的SQL查询的任务。现有的方法通常侧重于充分利用历史上下文或先前预测的SQL来进行当前SQL解析，而忽略了显式地理解模式和会话依赖，如共指，省略和用户焦点变化。在本文中，我们提出了CQR-SQL，它使用辅助会话问题重构（CQR）学习显式地利用模式和解耦上下文依赖SQL解析。具体来说，我们首先提出了一个模式增强递归CQR方法产生领域相关的自包含的问题。其次，通过基于模式的一致性任务和树型结构的SQL解析一致性任务对CQR-SQL模型进行训练，使其能够将多轮问句和辅助自包含问句的语义映射到同一个潜在空间中，通过充分的上下文理解来提高SQL解析的能力。在撰写本文时，我们的CQR-SQL在两个上下文相关的文本到SQL基准测试SParC和CoSQL上取得了最新的结果。
2022-10-24 cs.CL
Merging Weak and Active Supervision for Semantic Parsing
Carnegie Mellon University（卡内基梅隆大学）
语义解析器将来自用户的自然语言命令（NL）映射到可执行的含义表示（MR），其随后在特定环境中执行以获得用户期望的结果。这种解析器的全监督训练需要由领域专家标注的NL/MR对，这使得它们的收集成本很高。然而，弱监督语义解析器仅从NL和预期执行结果对中学习，留下了潜在的MR。虽然弱监督的成本较低，但从这种投入中学习会带来困难。它要求解析器用非常弱的学习信号搜索很大的空间，并且很难避免以错误的方式获得正确答案的虚假MR。这些因素导致在弱监督和完全监督设置下训练的解析器之间的性能差距。为了弥合这一差距，我们研究了弱监督和主动学习之间的交叉点，它允许学习者主动选择示例并查询手动注释作为额外的监督，以改进在弱监督下训练的模型。我们研究了不同的主动学习策略选择的例子查询，和各种形式的额外监督，这样的查询。我们在两个不同的数据集上评估我们的方法的有效性。在WikiSQL上的实验表明，通过仅注释1.8%的示例，我们在最先进的弱监督基线上提高了6.4%，实现了79.0%的准确率，与完全监督训练的模型仅相差1.3%。在WikiTableQuestions上与人工注释器的实验表明，我们的方法可以提高只有100个活动查询的性能，特别是对于从冷启动学习的弱监督解析器。
2019-11-29 cs.CL cs.LG
Global Reasoning over Database Structures for Text-to-SQL Parsing
Tel-Aviv University（特拉维夫大学）；Allen Institute for Artificial Intelligence（艾伦人工智能研究所）
最先进的语义解析器依赖于自回归解码，每次发出一个符号。当针对在训练时未观察到的复杂数据库（zero-shot）进行测试时，由于解码的局部性质，解析器通常很难在新数据库中选择正确的数据库常量集。在这项工作中，我们提出了一个语义解析器，全局原因的输出查询的结构，使更多的上下文知情的选择数据库常量。我们使用消息传递通过图神经网络软选择一个子集的数据库常量的输出查询，条件的问题。此外，我们训练一个模型来排名查询的基础上，全球对齐的数据库常量的问题的话。我们将我们的技术应用于当前最先进的Spider模型，这是一个具有复杂数据库的zero-shot语义解析数据集，准确率从39.4%提高到47.4%。
2019-08-29 cs.CL
Compositional Generalization in Dependency Parsing
McGill University（麦吉尔大学）；Quebec Artificial Intelligence Institute (Mila)（魁北克人工智能研究所（Mila））；ServiceNow Research（ServiceNow研究院）；Facebook（脸书）
组合性（Compositionality）--将熟悉的单元（如单词）组合成新颖的短语和句子的能力--近年来一直是人工智能的焦点。为了测试语义解析中的组合泛化，Keysers等人（2020）引入了组合自由基分析（CFQ）。该数据集最大化了测试和训练分布在原始单元（如单词）上的相似性，同时最大化了复合发散：测试和训练分布在较大结构（如短语）上的不相似性。然而，依存句法分析缺少组合泛化基准。在这项工作中，我们为CFQ引入了一套黄金标准的依赖解析器，并使用它来分析最先进的依赖解析器的行为（Qi等人，2020年，CFQ数据集。我们发现，增加复合分歧降低依存句法分析的性能，虽然没有显着的语义解析的性能。此外，我们发现的依赖分析器的性能并不均匀降低相对于复合发散，和解析器执行不同的分裂相同的复合发散。我们探讨了一些假设是什么原因的非均匀退化的依存句法分析性能，并确定了一些句法结构，驱动依赖解析器的最具挑战性的分裂的性能较低。
2022-03-15 cs.CL
Improving Text-to-SQL Semantic Parsing with Fine-grained Query Understanding
Amazon AWS AI Labs（亚马逊AWS人工智能实验室）
文本到SQL语义解析的研究主要依赖于解析器本身或基于简单启发式的方法来理解自然语言查询。在合成SQL查询时，解析器没有可用的NLQ的显式语义信息，这导致不理想的泛化性能。此外，没有词汇级细粒度的查询理解，查询和数据库之间的链接只能依赖于模糊字符串匹配，这导致在实际应用中的次优性能。鉴于此，本文提出了一个通用的，模块化的神经语义解析框架，是基于令牌级细粒度查询理解。我们的框架包括三个模块：命名实体识别器（NER），神经实体链接器（NEL）和神经语义解析器（NSP）。NER模型通过对查询和数据库进行联合建模，分析用户意图并识别查询中的实体。NEL模型将类型化实体链接到数据库中的模式和单元值。解析器模型利用可用的语义信息和链接结果，并基于动态生成的语法合成树结构的SQL查询。在最新发布的语义解析数据集SQUALL上的实验表明，该模型在WikiTableQuestions（WTQ）测试集上的执行准确率为56.8%，比现有模型高出2.7%.
2022-09-28 cs.CL
Encoding Database Schemas with Relation-Aware Self-Attention for Text-to-SQL Parsers
UC Berkeley（加州大学伯克利分校）；Intel Labs（英特尔实验室）
当将自然语言问题转换为SQL查询来回答数据库中的问题时，我们希望我们的方法可以推广到训练集之外的域和数据库模式。为了使用神经编码器-解码器范例处理复杂的问题和数据库模式，将模式正确编码为问题输入的一部分至关重要。在本文中，我们在编码器中使用关系感知的自注意力，以便它可以推理所提供的模式中的表和列如何相互关联，并使用此信息来解释问题。我们在最近发布的Spider数据集上取得了显著的进步，精确匹配准确率为42.94%，而在已发表的工作中报告的准确率为18.96%。
2019-06-27 cs.CL cs.LG stat.ML
A Pilot Study for Chinese SQL Semantic Parsing
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）
语义解析的任务对于对话和问答系统是非常有用的。已经提出了许多数据集来将自然语言文本映射到SQL，其中最近的Spider数据集提供了具有多个表和复杂查询的跨域样本。我们为中文构建了一个Spider数据集，中文目前在这个任务领域是一种资源较少的语言。有趣的研究问题来自语言的独特性，这需要分词，也来自SQL关键字和DB表的列通常用英语编写的事实。我们比较字符和单词为基础的编码器的语义解析器，和不同的嵌入方案。结果表明，基于词的语义分析器是受分割错误和跨语言的词嵌入是有用的文本到SQL。
2019-10-16 cs.CL
Weakly Supervised Text-to-SQL Parsing through Question Decomposition
Blavatnik School of Computer Science, Tel Aviv University（特拉维夫大学布拉瓦尼克计算机科学学院）；Allen Institute for AI（艾伦人工智能研究所）
本文提出利用 QDMR 中间表示，由问题、分解结构和答案自动合成 SQL 查询，从而在零 SQL 标注下训练具有竞争力的 text-to-SQL 解析器。
2024-08-02 cs.AI cs.CL cs.DB
RAT-SQL: Relation-Aware Schema Encoding and Linking for Text-to-SQL Parsers
University of Edinburgh（爱丁堡大学）；UC Berkeley（加州大学伯克利分校）；Microsoft Research（微软研究院）
当将自然语言问题转换为SQL查询以回答来自数据库的问题时，当代的语义解析模型难以推广到看不见的数据库模式。泛化的挑战在于（a）以语义解析器可访问的方式编码数据库关系，以及（b）在给定查询中对数据库列及其提及之间的对齐进行建模。我们提出了一个统一的框架，基于关系感知的自我注意力机制，以解决模式编码，模式链接，并在文本到SQL编码器的功能表示。在具有挑战性的Spider数据集上，该框架将精确匹配准确率提高到57.2%，比最好的同行提高了8.7%。通过进一步增强BERT，它在Spider排行榜上实现了65.6%的最新性能。此外，我们观察到模型对模式链接和对齐的理解有了质的改进。我们的实现将在https://github.com/Microsoft/rat-sql上开源。
2021-08-24 cs.AI cs.CL
A Deep Architecture for Semantic Parsing
University of Oxford（牛津大学）
许多成功的语义解析方法都建立在文本的句法分析之上，并利用分布表示或统计模型将解析结果与特定于本体的查询进行匹配。本文提出了一种新的深度学习架构，通过联合语言语义的两个神经模型来提供语义解析系统。它允许从自然语言语句和问题中生成特定于本体的查询，而不需要解析，这使得它特别适合语法错误或语法不典型的文本，如tweets，以及允许为资源贫乏的语言开发语义解析器。
2014-04-29 cs.CL
Open-Vocabulary Semantic Parsing with both Distributional Statistics and Formal Knowledge
Allen Institute for Artificial Intelligence（艾伦人工智能研究院）
传统的语义解析器将语言映射到固定模式中的组合可执行查询。这种映射使他们能够有效地利用大型正式知识库（KB）中包含的信息，Freebase）来回答问题，但它也有根本性的限制--这些语义解析器只能为属于KB手动生成的模式的语言分配含义。最近提出的开放式词汇表语义解析方法通过学习任意语言的执行模型来克服这一限制，基本上使用文本语料库作为一种知识库。然而，所有先前的开放词汇表语义解析方法都用文本信息替换了正式的KB，在它们的模型中没有使用KB。我们展示了如何结合这两种方法所使用的不同的表示，首次提出了一个语义解析器，（1）产生成分，可执行的语言表示，（2）可以成功地利用包含在一个正式的知识库和大型语料库的信息，（3）不限于底层知识库的模式。我们展示了显着提高性能的最先进的基线上的一个开放域的自然语言问答任务。
2016-11-28 cs.CL
Grounded Adaptation for Zero-shot Executable Semantic Parsing
University of Washington（华盛顿大学）；Facebook AI Research（脸书人工智能研究院）
我们提出了接地适应Zero-shot可执行语义解析（GAZP），以适应现有的语义解析器新的环境（例如，新的数据库模式）。GAZP将前向语义解析器与后向话语生成器相结合，在新的环境中合成数据（如话语和SQL查询），然后选择循环一致的例子来适应解析器。与通常在训练环境中合成未经验证的示例的数据增强不同，GAZP在新环境中合成输入-输出一致性得到验证的示例。在Spider、Sparc和CoSQL zero-shot语义解析任务上，GAZP改进了基线解析器的逻辑形式和执行精度。我们的分析表明，GAZP在训练环境中优于数据增强，性能随着GAZP合成数据量的增加而增加，并且周期一致性是成功适应的核心。
2021-02-01 cs.AI cs.CL cs.DB
IncSQL: Training Incremental Text-to-SQL Parsers with Non-Deterministic Oracles
Cornell University（康奈尔大学）；Stanford University（斯坦福大学）；Microsoft Research（微软研究院）；Microsoft Business Application Group（微软商业应用集团）
我们提出了一个序列到动作解析方法的自然语言SQL任务，增量填充槽的SQL查询与可行的行动从预定义的库存。考虑到通常有多个正确的SQL查询具有相同或非常相似的语义的事实，我们从句法分析技术中汲取灵感，并提出用非确定性预言机训练我们的序列到动作模型。我们在WikiSQL数据集上评估了我们的模型，并在测试集上实现了83.7%的执行准确率，比传统静态预言机训练的模型有2.1%的绝对改进，假设一个正确的目标SQL查询。当进一步与执行引导解码策略相结合时，我们的模型以87.1%的执行准确率设置了新的最先进的性能。
2018-10-01 cs.AI cs.CL cs.DB
A Hybrid Semantic Parsing Approach for Tabular Data Analysis
Microsoft Research Asia（微软亚洲研究院）
本文提出了一种新的方法，将自然语言问题转换为给定表的SQL查询，它满足了现实世界的数据分析应用程序的三个要求：跨域，多语言和快速启动。我们所提出的方法包括：（1）一个新的数据抽象步骤，使解析表不可知的解析器;（2）一组语义规则，用于解析抽象的数据分析问题，以中间逻辑形式的树派生，以减少搜索空间;（3）一个基于神经的模型作为局部评分功能的跨度为基础的语义解析器结构化优化和有效的推理。实验表明，我们的方法优于国家的最先进的算法在一个大型的开放基准数据集WikiSQL。我们也取得了可喜的成果，在一个小的数据集，更复杂的查询，在英语和中文，这表明我们的语言扩展和快速启动能力。
2019-10-24 cs.AI cs.CL cs.DB
Correcting Semantic Parses with Natural Language through Dynamic Schema Encoding
Fidelity Investments, AI Center of Excellence（富达投资人工智能卓越中心）
本文提出利用自然语言反馈和动态模式编码纠正text-to-SQL解析错误，通过分离语义与句法困难，仅一轮纠正即可将解析准确率最多提升26%，并验证T5-base可零样本纠正T5-large的错误。
2023-05-31 cs.CL
A Natural Language Query Interface for Searching Personal Information on Smartwatches
Dartmouth College（达特茅斯学院）；Liverpool John Moore University（利物浦约翰摩尔斯大学）；Vienna University of Technology（维也纳工业大学）；University of Vienna（维也纳大学）；University of California, Riverside（加州大学河滨分校）
目前，个人助理系统在智能手机上运行并使用自然语言界面。然而，这些系统主要依赖于网络来查找信息。移动和可穿戴设备可以收集大量的个人数据，如睡眠和身体活动。这些信息客体及其应用被称为量化自我、移动健康或个人信息学，它们可以用来更深入地了解我们的行为。据我们所知，现有的个人助理系统不支持所有类型的量化自我查询。针对这一点，我们进行了一项用户研究，以分析一组“文本问题/查询”，用户使用这些问题/查询来搜索他们的量化自我或移动健康数据。通过对这些问题的分析，我们构建了一个轻量级的基于自然语言的查询接口，包括文本解析算法和用户界面，用于处理用户对量化自我信息的查询。该查询接口被设计为在小型设备（即智能手表）上操作，以及通过允许个人助理系统处理终端用户关于其量化的自身数据的自然语言查询来增强个人助理系统。
2016-11-22 cs.CL cs.HC cs.IR
A Tale of Two Linkings: Dynamically Gating between Schema Linking and Structural Linking for Text-to-SQL Parsing
University of Virginia（弗吉尼亚大学）；Microsoft Research（微软研究院）
在文本到SQL的语义解析中，为生成的SQL查询选择正确的实体（表和列）是至关重要的，也是具有挑战性的;解析器需要将自然语言（NL）问题和SQL查询连接到数据库中的结构化知识。我们制定了两个链接过程，以解决这一挑战：模式链接链接明确的NL提到数据库和结构链接的实体在输出SQL中的数据库模式中的结构关系。直观地说，这两个链接过程的有效性变化的基础上产生的实体，因此，我们建议使用门控机制动态地选择它们之间。将所提出的方法与两个基于图神经网络的语义解析器以及BERT表示相结合，在具有挑战性的Spider数据集上展示了解析准确性的实质性收益。分析表明，我们提出的方法有助于增强结构的模型输出时，生成复杂的SQL查询，并提供更多的解释预测。
2020-11-22 cs.CL
Multi-Intent Attribute-Aware Text Matching in Searching
Ant Group（蚂蚁集团）；CBRC, KAUST（沙特国王科技大学CBRC）
本文提出多意图属性感知匹配模型（MIM），通过属性感知编码器、多意图建模和意图感知匹配三个组件，有效利用查询和物品属性进行对齐，提升搜索中文本匹配的准确性。
2024-02-12 cs.CL
Shift-Reduce Task-Oriented Semantic Parsing with Stack-Transformers
Universidade de Vigo（维戈大学）
本文提出基于Stack-Transformers的移进-归约任务型语义解析器，融合自底向上和按序转移系统，在Facebook TOP的高、低资源设置中均优于现有方法。
2024-09-10 cs.CL
MURR: Model Updating with Regularized Replay for Searching a Document Stream
Johns Hopkins University（约翰斯·霍普金斯大学）；University of Pisa（比萨大学）；University of Glasgow（格拉斯哥大学）；University of Maryland（马里兰大学）；Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）
针对神经检索模型在文档流中因内容变化效果下降且重新编码成本高的问题，提出MURR策略，无需重新处理历史文档即可更新模型，在模拟流环境中实现更有效、一致的检索结果。
2025-04-14 cs.CL cs.IR
Don't Parse, Generate! A Sequence to Sequence Architecture for Task-Oriented Semantic Parsing
University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；Amazon Alexa AI（亚马逊 Alexa 人工智能）；Amazon Alexa Search（亚马逊 Alexa 搜索）；Amazon Alexa（亚马逊 Alexa）
诸如Amazon Alexa、Apple Siri和Google Assistant之类的虚拟助理通常依赖于语义解析组件来理解对其用户说出的话语执行哪些动作。传统上，基于规则或统计的槽填充系统已被用于解析“简单”查询;即，包含单个动作并且可以被分解成一组不重叠的实体的查询。最近，已经提出了移位-归约解析器来处理更复杂的话语。这些方法虽然功能强大，但对可以解析的查询类型有特定的限制;也就是说，它们要求查询可以表示为解析树。在这项工作中，我们提出了一个统一的体系结构的基础上序列到序列模型和指针生成器网络来处理简单和复杂的查询。与其他作品不同，我们的方法不施加任何限制的语义分析模式。此外，实验表明，它在三个公开可用的数据集（ATIS，SNIPS，Facebook TOP）上实现了最先进的性能，与以前的系统相比，精确匹配精度相对提高了3.3%到7.7%。最后，我们展示了我们的方法在两个内部数据集上的有效性。
2020-01-30 cs.CL
Retrieving Time-Series Differences Using Natural Language Queries
Research and Development Group, Hitachi, Ltd.（日立公司研发集团）
针对传统时间序列搜索需专业知识且难以处理差异的问题，提出基于自然语言查询的方法，定义六种差异特征并构建数据集，利用对比学习模型对齐差异与查询，实现mAP 0.994的检索性能。
2025-03-27 cs.CL
Document Searching System based on Natural Language Query Processing for Vietnam Open Courseware Library
建立一个能够支持用户用自然语言查询来表达其搜索的搜索系统是非常重要的，也是一个很有潜力的研究方向。它将传统的信息检索方法与问答的研究相结合。在本文中，我们介绍了一个搜索系统，我们建立了越南开放课程计划（VOCW）的课程搜索。它可以被认为是第一个能够执行用户的越南问题的工具。对该系统的精度进行了评价，实验结果较好
2009-12-09 cs.CL cs.IR
Using Linguistic Analysis to Translate Arabic Natural Language Queries to SPARQL
The Islamic University of Gaza（伊斯兰大学（加沙））
语义网基于逻辑的机器可理解的框架往往挑战天真的用户，当他们试图查询基于本体的知识库。现有的研究工作已经接近这个问题，通过引入自然语言（NL）接口的本体。这些NL接口具有基于NL用户查询构造SPARQL查询的能力。然而，大多数努力仅限于用英语表达的查询，并且它们通常受益于英语NLP工具的进步。然而，很少有研究已经做了支持查询的阿拉伯语内容的语义Web上使用NL查询。本文提出了一种独立于领域的方法，利用语言分析将阿拉伯语NL查询转换为SPARQL。基于对名词短语（NPs）的特殊考虑，我们的方法使用语言解析器从阿拉伯语解析树中提取NPs和关系，并将它们与底层本体进行匹配。然后，它利用本体中的知识将NP分组为基于三重的表示。通过提取目标和修饰符，并将它们解释为SPARQL，最终生成SPARQL查询。对高级语义特征包括否定、连词和转折修饰语的解释也得到了支持。使用OWL测试数据和查询数据集对该方法进行了验证，结果证实了该方法将阿拉伯语NL查询转换为SPARQL的可行性。
2015-08-06 cs.AI cs.CL cs.DB
EvoDuet: Bilevel Co-Evolution of Web Searching and Task Solving for Scientific Discovery
University of Minnesota（明尼苏达大学）；KAIST（韩国科学技术院）；Seoul National University（首尔大学）；Hanyang University（汉阳大学）
EvoDuet提出双层协同进化方法，通过检索门控和内外循环优化搜索与求解，在21个任务上提升发现增益，超越多个基准最佳得分。
2026-10-01 cs.CL
Neuro-Symbolic Query Compiler
Renmin University of China（中国人民大学）；Huawei Poisson Lab（华为Poisson实验室）
本文提出神经符号框架 QCompiler，通过 BNF 文法及翻译、解析和递归下降处理将复杂查询编译为 AST，以提升 RAG 的检索与回答能力。
2025-05-17 cs.CL cs.IR
T5-SR: A Unified Seq-to-Seq Decoding Strategy for Semantic Parsing
Peking University（北京大学）；University of Chinese Academy of Sciences（中国科学院大学）；Meituan（美团）
针对seq2seq语义解析存在的模式预测质量差、语义一致性弱的问题，提出含SSQL中间表示和重排序机制的SR解码策略，T5-SR-3b在Spider数据集上取得SOTA结果。
2023-06-14 cs.AI cs.CL
Saying What You're Looking For: Linguistics Meets Video Search
Purdue University（普渡大学）
我们提出了一种方法来搜索大型视频语料库中的视频剪辑描述的自然语言查询的形式的句子。这种方法使用组合语义来编码在其他系统中丢失的微妙含义，例如具有相同单词但含义完全不同的两个句子之间的差异：“The person rode the horse}与\emph {The horse rode the person”。给定一个视频句子对和一个自然语言解析器，以及一个描述语义查询空间的语法，我们会产生一个分数，表明视频对句子的描述有多好。我们为语料库中的每个视频片段生成这样的分数，并返回片段的排名列表。此外，该方法同时解决了两个基本问题：检测和跟踪对象，并识别这些轨迹是否描述了查询。因为跟踪和目标检测都是不可靠的，所以这使用关于预期的初步查询的知识来将跟踪器集中在相关参与者上，并确保所得到的轨迹由初步查询描述。虽然早期的工作仅限于对应于动词或名词的单字查询，我们展示了如何搜索包含多个短语（如介词短语）和修饰语（如副词）的复杂查询。我们证明了这种方法，通过搜索141个查询，涉及人和马相互作用，在10个全长好莱坞电影。
2013-09-20 cs.CL cs.CV cs.IR
CoCoST: Automatic Complex Code Generation with Online Searching and Correctness Testing
Xi’an Jiaotong University（西安交通大学）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Peking University（北京大学）；Microsoft Research（微软研究院）
针对真实场景下复杂代码生成难题，提出CoCoST框架，通过规划查询的在线搜索和正确性测试进行代码完善，并序列化复杂输入输出及生成测试用例，在DS-1000和ClassEval数据集上显著提升了复杂代码生成质量。
2024-10-12 cs.CL cs.LG cs.SE
