Deep neural semantic parsing: translating from natural language into SPARQL (2019)
- Authors:
- Autor USP: LUZ, FABIANO FERREIRA - IME
- Unidade: IME
- Sigla do Departamento: MAC
- Assunto: CIÊNCIA DA COMPUTAÇÃO
- Keywords: Análise semântica; CFG; Codificação decodificação; Encoder decoder; GLC; Gramáticas; Grammars; LSTM; NLP; Ontologias; Ontology; Palavras associadas; PLN; RDF; RNN; Semantic parsing; SPARQL; Word embeddings
- Agências de fomento:
- Language: Inglês
- Abstract: A análise semântica é o processo de mapear uma sentença em linguagem natural para uma representação formal, interpretável por máquina, do seu significado. O LSTM Encoder-Decoder é uma arquitetura de rede neural com a capacidade de mapear uma sequência de origem para uma sequência de destino. Estamos interessados no problema de mapear a linguagem natural em consultas SPARQL e procuramos contribuir com estratégias que não dependam de regras artesanais, léxico de alta qualidade, modelos construídos manualmente ou outras estruturas complexas feitas à mão. Neste contexto, apresentamos duas contribuições para o problema de análise semântica partindo da arquitetura LSTM Encoder-Decoder. Enquanto para a linguagem natural existem métodos de representação vetorial bem definidos que usam um volume muito grande de textos, as linguagens formais, como as consultas SPARQL, sofrem com a falta de métodos adequados para representação vetorial. Na primeira contribuição, melhoramos a representação dos vetores SPARQL. Começamos obtendo uma matriz de alinhamento entre os dois vocabulários, linguagem natural e termos SPARQL, o que nos permite refinar uma representação vetorial dos termos SPARQL. Com esse refinamento, obtivemos melhores resultados no treinamento posterior para o modelo de análise semântica. Na segunda contribuição, propomos uma arquitetura neural, que chamamos de Encoder CFG-Decoder, cuja saída está de acordo com uma determinada gramática livre de contexto. Ao contrário do modelotradicional LSTM Encoder-Decoder, nosso modelo fornece uma garantia gramatical para o processo de mapeamento, o que é particularmente importante para casos práticos nos quais erros gramaticais podem causar falhas críticas em um compilador ou interpretador. Os resultados confirmam que qualquer resultado gerado pelo nosso modelo obedece à CFG dada, e observamos uma melhora na precisão da tradução quando comparada com outros resultados da literatura
- Imprenta:
- Data da defesa: 07.02.2019
-
ABNT
LUZ, Fabiano Ferreira. Deep neural semantic parsing: translating from natural language into SPARQL. 2019. Tese (Doutorado) – Universidade de São Paulo, São Paulo, 2019. Disponível em: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-01042019-101602/. Acesso em: 19 abr. 2024. -
APA
Luz, F. F. (2019). Deep neural semantic parsing: translating from natural language into SPARQL (Tese (Doutorado). Universidade de São Paulo, São Paulo. Recuperado de http://www.teses.usp.br/teses/disponiveis/45/45134/tde-01042019-101602/ -
NLM
Luz FF. Deep neural semantic parsing: translating from natural language into SPARQL [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-01042019-101602/ -
Vancouver
Luz FF. Deep neural semantic parsing: translating from natural language into SPARQL [Internet]. 2019 ;[citado 2024 abr. 19 ] Available from: http://www.teses.usp.br/teses/disponiveis/45/45134/tde-01042019-101602/
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas