目录
-
基于层次表示的面向任务对话框语义分析
-
固定的无监督语义分析
-
斯坦福CoreNLP自然语言处理工具包
-
DeepCut：用于多人姿势估计的联合子集分区和标签
-
基于搜索的神经结构学习的顺序问答
基于层次表示的面向任务对话框语义分析
论文名称：Semantic Parsing for Task Oriented Dialog using Hierarchical Representations
作者：SonalGupta /RushinShah / MrinalMohit /AnujKumar
发表时间：2018/10/18
论文链接：https://paper.yanxishe.com/review/9233
推荐原因
本文核心问题：这是Facebook的一篇论文，核心是做任务型对话系统，任务型对话系统目前有两个主流的方式，一种是基于意图识别和实体抽取的方法，但是这种方法很难解决复杂的查询工作。还有一种是将自然语言直接转换为计算机可以理解并且执行的语言，本文就是解决这个问题
创新点：面向任务的对话框系统的分层语义表示，它可以对组合查询和嵌套查询建模。提出了一个语义解析的层次化注释方案，它允许组合查询的表示，并且可以被标准的选区解析模型高效准确地解析。而且还发布了一个由44k个带注释的查询1组成的数据集。
研究意义：在这个数据集上，解析模型的性能优于序列到序列的方法。
固定的无监督语义分析
论文名称：Grounded Unsupervised Semantic Parsing
作者：Hoifung Poon
发表时间：2017/5/13
论文链接：https://paper.yanxishe.com/review/9234
推荐原因
核心问题：这是一篇做语义解析的工作，具体来说就是通过无监督的方式，将自然语言转成精准的数据库查询
创新点：这是第一个无监督的语义解析工作，本论文提出了一种GUSP系统，使用EM学习概率语义语法，以弥补直接监督的不足，还有一点是使用数据库来进行辅助式监督学习，因为生成的SQL语言可以通过数据库来获取到是否可以执行
研究意义：在ATIS数据集中GUSP系统准确度达到84%，还有一点就是这种方式不需要具体的数据，这种无监督方式在一定程度上解决了数据量不足的问题。
斯坦福CoreNLP自然语言处理工具包
论文名称：The Stanford CoreNLP Natural Language Processing Toolkit
作者：ChristopherD.Manning /Mihai Surdeanu /John Bauer
发表时间：2014/6/23
论文链接：https://paper.yanxishe.com/review/9235
推荐原因
最近在做英文的数据预处理的时候，使用了斯坦福大学的数据预处理工具包coreNLP，这个工具包可以完成以下的几个工作：
1.分词
2.词性标注
3命名实体识别
4句法成分分析
5依存句法分析
等等，提供了一系列的人类语言技术工具。支持多种自然语言处理基本功能，Stanfordcorenlp是它的一个python接口，这篇论文就是介绍这个工作的，这里推荐给大家阅读一下，可以说这些工作都是nlp的基础性的工作。
DeepCut：用于多人姿势估计的联合子集分区和标签
论文名称：DeepCut: Joint Subset Partition and Labeling for Multi Person Pose Estimation
作者：Pishchulin Leonid /Insafutdinov Eldar /Tang Siyu /Andres Bjoern /Andriluka Mykhaylo /Gehler Peter /Schiele Bernt
发表时间：2015/11/20
论文链接：https://paper.yanxishe.com/review/9236
推荐原因：领域：多人关节姿态估计
提出了一种共同解决检测和姿势估计任务的方法：推断场景中的人数，识别被遮挡的身体部位，并消除彼此相邻的人之间的身体部位的歧义。这种联合方式与以前的策略形成了鲜明的对比，后者通过首先检测人们并随后估计其身体姿势来解决该问题。此论文提出了基于CNN的部分检测器生成的一组身体部位假说的划分和标记公式。公式是整数线性程序的一个实例，隐式地对候选零件集执行非最大抑制并将其分组以形成考虑几何和外观约束的身体部位配置。在四个不同数据集上进行的实验证明了单人和多人姿势估计的最新结果。
基于搜索的神经结构学习的顺序问答
论文名称：Search-based Neural Structured Learning for Sequential Question Answering
作者：Mohit Iyyer /Wen-tau Yih / Ming-Wei Chang
发表时间：2017/5/17
论文链接：https://paper.yanxishe.com/review/9237
推荐原因
核心问题：这篇论文是做问答系统的，核心是语义解析，它为了解决在对话过程中回答简单但相互关联的序列问题。
创新点：为了解刚才所提出的问题，本论文提出了一种新的动态神经网络语义分析框架，应用了一种弱监督的奖励引导搜索。
研究意义：通过这种方式来搭建的网络模型，可以完成精确的回答（是在作者们自己收集的数据中）。
