基于极丰富符号意义表示的神经语义解析

当前开放域神经语义解析器表现出令人瞩目的性能。然而，仔细审视其生成的符号意义表示可以发现显著的缺陷：有时它们倾向于直接从源文本中复制字符序列以构成符号概念，并默认采用基于训练分布的最频繁词义。通过利用词汇本体论的层次结构，我们引入了一种基于概念在分类层次中位置的新型组合符号表示。该表示提供了更丰富的语义信息并增强了可解释性。我们引入了一个神经“分类”语义解析器以利用这种新的谓词表示系统，并采用新颖的挑战集和评估指标，将其与在传统意义表示格式上训练的标准神经语义解析器进行了比较。实验结果表明，在丰富且复杂得多的意义表示上训练的分类模型，在使用标准指标进行评估时，其性能略逊于传统模型，但在处理未登录概念时优于传统模型。这一发现对于旨在将数据驱动的分布式意义与基于知识的符号表示相结合的计算语义学研究具有鼓励意义。