低资源环境下基于回译与元学习的神经语义解析
计算与语言
2019-09-13 v1
摘要
神经语义解析近年来取得了令人瞩目的成果，但其成功依赖于大量监督数据的可用性。我们的目标是在仅有少量简单规则的先验知识、无法获取标注程序或执行结果的情况下，学习一个神经语义解析器。该方法由规则初始化，并利用语义解析器和问题生成器生成的问答对，在回译范式中进行改进。一个包含频繁映射模式的短语表被自动推导出来，并随着训练进程更新，用以衡量生成实例的质量。我们采用模型无关元学习来训练模型，以保证在规则覆盖样例上的准确性和稳定性，同时获得在规则未覆盖样例上良好泛化的通用性。在三个不同领域和程序的标准数据集上的结果表明，我们的方法逐步提升了准确率。在 WikiSQL 上，我们最好的模型可与从指称中学习的 SOTA 系统相媲美。
引用
@article{arxiv.1909.05438,
title = {Neural Semantic Parsing in Low-Resource Settings with Back-Translation and Meta-Learning},
author = {Yibo Sun and Duyu Tang and Nan Duan and Yeyun Gong and Xiaocheng Feng and Bing Qin and Daxin Jiang},
journal= {arXiv preprint arXiv:1909.05438},
year = {2019}
}