自然语义识别算法（谷歌推一步到位自然语言理解框架SLING）

自然语义识别算法（谷歌推一步到位自然语言理解框架SLING）SLING通过为易引发兴趣的语义框架进行优化，训练了一个RNN。网络隐藏层中已经学习到的表示取代了流水线系统中手工调整的特征组合和中间表示。上面只是一个简单的例子，框架图示很强大，适用于各种复杂的语义标注任务。对于初学者来说，框架是一种将语言内部和外部信息结合起来的方式。然后，这就可以用来处理复杂的语言理解问题，比如指代、隐喻、借代等。这些任务的语义框架图示只在用到的框架类型、角色、连接限制上有所不同。SLING能够直接分析自然语言文本，根据它的语义表示生成语义框架图示。与原有的大多数系统相比，它避免了自然语言理解流水线的一个严重缺陷：前面步骤中的错误会影响后续步骤的分析。实际上，流水线式的自然语言理解系统有利于对语言理解的不同阶段进行模块化，但是，早期步骤中的错误会在后边的步骤里发生连锁反应，对最终的表示产生影响。框架语义分析的任务就是直接生成一幅图示，包含像上图这样通过插槽互相连接的框

夏乙 编译自 Google Research Blog

量子位 出品 | 公众号 QbitAI

大多数自然语言理解（NLU）系统分析语言的过程是一条由分析步骤组成的流水线：先标注词性，再进行句法依存分析，然后为输入文本计算出语义表示。

谷歌打破了这条流水线上的所有步骤，把它们捏到了一起，推出了一步到位的自然语言理解系统：SLING。

SLING能够直接分析自然语言文本，根据它的语义表示生成语义框架图示。与原有的大多数系统相比，它避免了自然语言理解流水线的一个严重缺陷：前面步骤中的错误会影响后续步骤的分析。

实际上，流水线式的自然语言理解系统有利于对语言理解的不同阶段进行模块化，但是，早期步骤中的错误会在后边的步骤里发生连锁反应，对最终的表示产生影响。

框架语义分析的任务就是直接生成一幅图示，包含像上图这样通过插槽互相连接的框架。

上面只是一个简单的例子，框架图示很强大，适用于各种复杂的语义标注任务。对于初学者来说，框架是一种将语言内部和外部信息结合起来的方式。然后，这就可以用来处理复杂的语言理解问题，比如指代、隐喻、借代等。这些任务的语义框架图示只在用到的框架类型、角色、连接限制上有所不同。

SLING

SLING通过为易引发兴趣的语义框架进行优化，训练了一个RNN。网络隐藏层中已经学习到的表示取代了流水线系统中手工调整的特征组合和中间表示。

在内部，SLING使用编码器-解码器架构，其中使用诸如原始单词，其后缀，标点符号等简单词汇特征将每个输入词编码成向量。而解码器用这种表示和自己历史中的循环特征，来计算更新框架图示以获得输入句子的预期框架语义表示所需的转换序列。

在训练模型时，SLING使用了TensorFlow和DRAGNN。

下面的动画展示了如何用一次转换将框架和角色增量添加到框架图中。

正如前面用简单例句所说明的那样，SLING使用ARG1这一角色来连接VERB和EVENT框架，EVOKE转换从文本中接下来的几个token中唤起指定类型的框架。同样，CONNECT转换将两个现有框架和一个特定角色连接起来。当输入耗尽，最后一个转换（STOP）执行完成，框架图示被视为已完成，并返回给用户，用户可以查看图示，得到句子背后的语义。

这个转换系统中有一个关键方面，就是会出现一个固定大小的框架注意力缓冲区，代表最近被唤醒或修改过的框架，如上图的橙色框所示。这个缓冲区捕捉了我们倾向于想起最近唤醒、提及、增强过的知识。如果框架不再使用，随着新框架的进入，它最终会被刷新出缓冲区。这个简单的机制在捕捉大部分框架间连接上都非常有效。

相关资源

SLING是用C 写成的，开源代码地址：

https://github.com/google/sling

相关论文SLING: A framework for frame semantic parsing

地址：https://arxiv.org/abs/1710.07032

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态