用于问答的神经组合指称语义

回答需要多步推理的组合性问题具有挑战性。我们受形式语义学方法启发，引入了一个端到端可微模型，用于解释关于知识图 (KG) 的问题。每段文本由一个 KG 中的指称以及一个捕获未接地意义方面的向量表示。习得的组合模块递归地组合组成跨度，最终得到回答该问题的完整句子的接地。例如，为解释“not green”，模型将“green”表示为一组 KG 实体，将“not”表示为可训练的未接地向量——然后使用该向量参数化执行补集操作的组合函数。对于每个句子，我们构建一个涵盖所有可能解析的解析图，使模型能够通过来自端任务监督的梯度下降联合学习组合算子与输出结构。该模型习得了多种具有挑战性的语义算子，如量词、析取和组合关系，并推断潜在句法结构。与 RNN、其基于树的变体以及语义解析基线相比，它还对训练数据中更长的句子具有良好的泛化能力。