Hispanopedia Wiki
Articulo de referencia

Análisis semántico

El análisis semántico es la tarea de convertir una expresión en lenguaje natural a una forma lógica : una representación de su significado comprensible por la máquina. [ 1 ] El ...

Hispanopedia WikiContenido en espanolLectura gratuita

El análisis semántico es la tarea de convertir una expresión en lenguaje natural a una forma lógica : una representación de su significado comprensible por la máquina. [ 1 ] El análisis semántico puede entenderse, por lo tanto, como la extracción del significado preciso de una expresión. Las aplicaciones del análisis semántico incluyen la traducción automática , [ 2 ] la respuesta a preguntas , [ 1 ] [ 3 ] la inducción de ontologías , [ 4 ] el razonamiento automatizado , [ 5 ] y la generación de código . [ 6 ] [ 7 ] La frase fue utilizada por primera vez en la década de 1970 por Yorick Wilks como base para los programas de traducción automática que trabajan solo con representaciones semánticas. [ 8 ] El análisis semántico es una de las tareas importantes en la lingüística computacional y el procesamiento del lenguaje natural.

Arquitectura del sistema de análisis semántico

El análisis semántico asigna texto a representaciones de significado formal. Esto contrasta con el etiquetado de roles semánticos y otras formas de procesamiento semántico superficial, que no pretenden producir significados formales completos. [ 9 ] En visión por computadora , el análisis semántico es un proceso de segmentación para objetos 3D. [ 10 ] [ 11 ]

Principales niveles de estructura lingüística

Historia y antecedentes

Early research of semantic parsing included the generation of grammar manually,[12] as well as utilizing applied programming logic.[13] In the 2000s, most of the work in this area involved the creation/learning and use of different grammars and lexicons on controlled tasks,[14][15] particularly general grammars such as SCFGs.[16] This improved upon manual grammars primarily because they leveraged the syntactical nature of the sentence, but they still could not cover enough variation and were not robust enough to be used in the real world. However, following the development of advanced neural network techniques, especially the Seq2Seq model,[17] and the availability of powerful computational resources, neural semantic parsing started emerging. Not only was it providing competitive results on the existing datasets, but it was robust to noise and did not require a lot of supervision and manual intervention.

The current transition of traditional parsing to neural semantic parsing has not been perfect though. Neural semantic parsing, even with its advantages, still fails to solve the problem at a deeper level. Neural models like Seq2Seq treat the parsing problem as a sequential translation problem, and the model learns patterns in a black-box manner, which means we cannot really predict whether the model is truly solving the problem. Intermediate efforts and modifications to the Seq2Seq to incorporate syntax and semantic meaning have been attempted,[18][19] with a marked improvement in results, but there remains a lot of ambiguity to be taken care of.

Types

Shallow Semantic Parsing

El análisis semántico superficial se ocupa de identificar entidades en una expresión y etiquetarlas con los roles que desempeñan. El análisis semántico superficial a veces se conoce como relleno de ranuras o análisis semántico de marcos, ya que su base teórica proviene de la semántica de marcos , donde una palabra evoca un marco de conceptos y roles relacionados. Los sistemas de relleno de ranuras se utilizan ampliamente en asistentes virtuales junto con clasificadores de intenciones, que pueden verse como mecanismos para identificar el marco evocado por una expresión. [ 20 ] [ 21 ] Las arquitecturas populares para el relleno de ranuras son en gran medida variantes de un modelo codificador-decodificador, donde dos redes neuronales recurrentes (RNN) se entrenan conjuntamente para codificar una expresión en un vector y decodificar ese vector en una secuencia de etiquetas de ranura. [ 22 ] Este tipo de modelo se utiliza en el sistema de comprensión del lenguaje hablado Amazon Alexa . [ 20 ] Este análisis sigue una técnica de aprendizaje no supervisado.

Análisis semántico profundo

El análisis semántico profundo, también conocido como análisis semántico composicional, se ocupa de producir representaciones precisas del significado de enunciados que pueden contener una composicionalidad significativa . [ 23 ] Los analizadores semánticos superficiales pueden analizar enunciados como "muéstrame vuelos de Boston a Dallas" clasificando la intención como "listar vuelos" y rellenando los espacios "origen" y "destino" con "Boston" y "Dallas", respectivamente. Sin embargo, el análisis semántico superficial no puede analizar enunciados composicionales arbitrarios, como "muéstrame vuelos de Boston a cualquier lugar que tenga vuelos a Juneau". El análisis semántico profundo intenta analizar dichos enunciados, generalmente convirtiéndolos a un lenguaje de representación formal del significado. Actualmente, el análisis semántico composicional utiliza grandes modelos de lenguaje para resolver tareas de generalización composicional artificial como SCAN. [ 24 ]

Análisis semántico neuronal

Los analizadores semánticos desempeñan un papel crucial en los sistemas de comprensión del lenguaje natural, ya que transforman las expresiones en lenguaje natural en estructuras lógicas o programas ejecutables por máquina. El análisis semántico, un campo de estudio bien establecido, se utiliza en asistentes de voz, sistemas de respuesta a preguntas, seguimiento de instrucciones y generación de código. Desde que los enfoques neuronales están disponibles desde hace dos años, muchas de las suposiciones que sustentaban el análisis semántico se han replanteado, lo que ha dado lugar a un cambio sustancial en los modelos empleados para dicho análisis. Aunque tanto la red neuronal semántica como el análisis semántico neuronal [ 25 ] abordan el procesamiento del lenguaje natural (PLN) y la semántica, no son lo mismo. Los modelos y formalismos ejecutables utilizados en la investigación del análisis semántico han dependido tradicionalmente en gran medida de conceptos de la semántica formal en lingüística, como el cálculo λ producido por un analizador CCG. No obstante, los trabajos recientes con analizadores semánticos neuronales codificador-decodificador han hecho posible formalismos más accesibles, como los lenguajes de programación convencionales, y modelos al estilo de la traducción automática neuronal (NMT), que resultan mucho más accesibles para un público más amplio de procesamiento del lenguaje natural (PLN). Presentaremos un resumen de los enfoques neuronales contemporáneos para el análisis semántico y analizaremos cómo han influido en la comprensión de este campo.

Lenguajes de representación

Los primeros analizadores semánticos utilizaban lenguajes de representación de significado altamente específicos del dominio, [ 26 ] mientras que los sistemas posteriores utilizaban lenguajes más extensibles como Prolog , [ 13 ] el cálculo lambda , [ 16 ] la semántica compositiva basada en dependencias lambda (λ-DCS), [ 27 ] SQL , [ 28 ] [ 29 ] Python , [ 30 ] Java , [ 31 ] el lenguaje de representación de significado de Alexa, [ 20 ] y la representación abstracta de significado (AMR). Algunos trabajos han utilizado representaciones de significado más exóticas, como grafos de consulta, [ 32 ] grafos semánticos, [ 33 ] o representaciones vectoriales. [ 34 ]

Modelos

La mayoría de los modelos modernos de análisis semántico profundo se basan en la definición de una gramática formal para un analizador de gráficos o en la utilización de redes neuronales recurrentes (RNN) para traducir directamente de un lenguaje natural a un lenguaje de representación de significado. Ejemplos de sistemas basados ​​en gramáticas formales son el Marco de Análisis Semántico de Cornell, [ 35 ] el Análisis Semántico con Ejecución (SEMPRE) de la Universidad de Stanford , [ 3 ] y el Analizador Semántico Basado en Alineación de Palabras (WASP). [ 36 ]

conjuntos de datos

Los conjuntos de datos utilizados para entrenar modelos de análisis semántico estadístico se dividen en dos clases principales según su aplicación: los utilizados para responder preguntas mediante consultas a bases de conocimiento y los utilizados para la generación de código.

Responder preguntas

Análisis semántico para la respuesta a preguntas en conversaciones.

Un conjunto de datos estándar para responder preguntas mediante análisis semántico es el conjunto de datos del Sistema de Información de Viajes Aéreos (ATIS), que contiene preguntas y comandos sobre vuelos próximos, así como el SQL correspondiente. [ 28 ] Otro conjunto de datos de referencia es el conjunto de datos GeoQuery, que contiene preguntas sobre la geografía de los EE. UU . junto con el Prolog correspondiente. [ 13 ] El conjunto de datos Overnight se utiliza para probar qué tan bien se adaptan los analizadores semánticos a través de múltiples dominios; contiene consultas en lenguaje natural sobre 8 dominios diferentes junto con las expresiones λ-DCS correspondientes. [ 37 ] Recientemente, el análisis semántico está ganando una popularidad significativa como resultado de nuevos trabajos de investigación y muchas grandes empresas, a saber , Google , Microsoft , Amazon , etc., están trabajando en esta área. Uno de los trabajos recientes de análisis semántico para responder preguntas se adjunta aquí. [ 38 ] En esta imagen se muestra una representación de una conversación de ejemplo de SPICE. La columna izquierda muestra los turnos de diálogo (T1–T3) con enunciados del usuario (U) y del sistema (S). La columna central muestra las anotaciones proporcionadas en CSQA. Los recuadros azules de la derecha muestran la secuencia de acciones (AS) y los análisis semánticos SPARQL correspondientes (SP).

Generación de código

Los conjuntos de datos populares para la generación de código incluyen dos conjuntos de datos de cartas coleccionables que vinculan el texto que aparece en las cartas con el código que representa con precisión esas cartas. Uno se construyó vinculando los textos de las cartas de Magic: The Gathering con fragmentos de Java; el otro vinculando los textos de las cartas de Hearthstone con fragmentos de Python. [ 31 ] El conjunto de datos IFTTT [ 39 ] utiliza un lenguaje específico de dominio especializado con comandos condicionales cortos. El conjunto de datos Django [ 40 ] empareja fragmentos de Python con pseudocódigo en inglés y japonés que los describe. El conjunto de datos RoboCup [ 41 ] empareja reglas en inglés con sus representaciones en un lenguaje específico de dominio que pueden entender los robots virtuales que juegan al fútbol.

Áreas de aplicación

Dentro del campo del procesamiento del lenguaje natural (PLN), el análisis semántico se ocupa de transformar el lenguaje humano a un formato que las máquinas puedan comprender y asimilar más fácilmente. Este método resulta útil en diversos contextos:

  • Asistentes de voz y chatbots: El análisis semántico mejora la calidad de la interacción del usuario en dispositivos como altavoces inteligentes y chatbots de atención al cliente, al comprender y responder a las consultas del usuario en lenguaje natural.
  • Recuperación de información: Mejora la comprensión y el procesamiento de las consultas de los usuarios por parte de los motores de búsqueda y las bases de datos, lo que da como resultado resultados de búsqueda más precisos y pertinentes.
  • Traducción automática : Para mejorar la calidad y el contexto de la traducción, la traducción automática implica comprender la semántica de un idioma con el fin de traducirlo con precisión a otro.
  • Análisis de texto: La inteligencia empresarial y la monitorización de redes sociales se benefician de la valiosa información que se puede extraer de los datos textuales mediante el análisis semántico. Algunos ejemplos de esta información son el análisis de sentimientos , el modelado de temas y el análisis de tendencias.
  • Sistemas de respuesta a preguntas : Presentes en sistemas como IBM Watson, estos sistemas ayudan a comprender y analizar consultas en lenguaje natural para ofrecer respuestas precisas. Son especialmente útiles en áreas como el servicio al cliente y los recursos educativos.
  • Sistemas de mando y control: El análisis semántico ayuda a interpretar con precisión los comandos de voz o texto utilizados para controlar sistemas en aplicaciones como interfaces de software o hogares inteligentes.
  • Categorización de contenido: Es una herramienta útil para la publicación en línea y la gestión de contenido digital, ya que ayuda a clasificar y organizar grandes cantidades de material textual mediante el análisis de su contenido semántico.
  • Tecnologías relacionadas con la accesibilidad: Ayudan a crear herramientas para personas con discapacidad, como la interpretación del lenguaje de señas y la conversión de texto a voz .
  • Informática jurídica y sanitaria: El análisis semántico permite extraer y estructurar información importante de documentos legales e historiales médicos para apoyar la investigación y la toma de decisiones.

El análisis semántico tiene como objetivo mejorar la eficiencia y la eficacia de diversas aplicaciones, reduciendo la brecha entre el lenguaje humano y el procesamiento automático en cada uno de estos ámbitos.

Evaluación

Dependiendo del tipo de representación de significado en la que se realice el análisis y de los objetivos subyacentes para llevar a cabo dicho análisis, las métricas de evaluación varían en consecuencia:

Para representaciones de significado que pueden representarse como grafos, como la Representación Abstracta de Significado , la similitud de grafos entre la salida del sistema y el grafo de referencia permite evaluar incluso éxitos parciales en el análisis sintáctico. [ 42 ]

También se utiliza la evaluación mediante la medida F1 junto con la precisión y la exhaustividad , por ejemplo, para algunas representaciones de significado basadas en grafos o formas lógicas. [ 42 ] [ 43 ]

Si el análisis semántico se plantea como una tarea de secuencia a secuencia (seq2seq) , se pueden utilizar métricas más tradicionales empleadas en el procesamiento del lenguaje natural para comparar secuencias, como BLEU . [ 44 ] [ 45 ] : 7

Además de las métricas que premian los éxitos parciales, una métrica más estricta es la de la coincidencia exacta entre la salida del sistema y la referencia. La precisión, como porcentaje de muestras con significado predicho correctamente, se informa, por ejemplo, para algunas tareas de análisis de texto a SQL. [ 46 ] : 6f Cuando se deben probar las capacidades de generalización compositiva de los analizadores semánticos, también se utiliza la precisión. [ 47 ] [ 48 ] [ 49 ]

Para el análisis semántico ejecutable, no solo se puede evaluar la representación del significado predicha, sino también el resultado de ejecutar la predicción. Sin embargo, como primer paso, la representación predicha debe estar sintácticamente bien formada para permitir su ejecución. Para todas las salidas del sistema bien formadas, el resultado de la ejecución se puede comparar con el resultado de ejecutar la representación de referencia. [ 44 ] : 5, 15

Véase también

Referencias

  1. 1 2 Jia, Robin; Liang, Percy (2016-06-11). "Recombinación de datos para el análisis semántico neuronal". arXiv : 1606.03622 [ cs.CL ].
  2. ↑ Andreas, Jacob, Andreas Vlachos y Stephen Clark. « Análisis semántico como traducción automática ». Actas de la 51.ª Reunión Anual de la Asociación de Lingüística Computacional (Volumen 2: Artículos breves). Vol. 2. 2013.
  3. 1 2 Berant, Jonathan, et al. "Análisis semántico en Freebase a partir de pares de preguntas y respuestas." EMNLP. Vol. 2. Núm. 5. 2013.
  4. ↑ Poon, Hoifung y Pedro Domingos. « Inducción de ontologías no supervisada a partir de texto ». Actas de la 48.ª reunión anual de la Asociación de Lingüística Computacional. Asociación de Lingüística Computacional, 2010.
  5. ↑ Kaliszyk, Cezary, Josef Urban y Jiří Vyskočil. « Automatización de la formalización mediante análisis estadístico y semántico de las matemáticas ». Conferencia Internacional sobre Demostración Interactiva de Teoremas. Springer, Cham, 2017.
  6. ↑ Rabinovich, Maxim; Stern, Mitchell; Klein, Dan (2017-04-25). "Redes de sintaxis abstracta para la generación de código y el análisis semántico". arXiv : 1704.07535 [ cs.CL ].
  7. ↑ Yin, Pengcheng; Neubig, Graham (2017-04-05). "Un modelo neuronal sintáctico para la generación de código de propósito general". arXiv : 1704.01696 [ cs.CL ].
  8. ↑ Wilks, Y. y Fass, D. (1992) La familia de la semántica de preferencias , en Computers and Mathematics with Applications, Volumen 23, Números 2-5, Páginas 205-221.
  9. ↑ Hoifung Poon, Pedro Domingos, Análisis semántico no supervisado , Actas de la Conferencia de 2009 sobre métodos empíricos en procesamiento del lenguaje natural, 2009
  10. ↑ Armeni, Iro, et al. " Análisis semántico 3D de espacios interiores a gran escala ". Actas de la Conferencia IEEE sobre Visión por Computadora y Reconocimiento de Patrones. 2016.
  11. ↑ Qi, Charles R., et al. " Pointnet: Aprendizaje profundo en conjuntos de puntos para clasificación y segmentación 3D ". Actas de la conferencia IEEE sobre visión por computadora y reconocimiento de patrones. 2017.
  12. ↑ Warren, DHD; Pereira, FCN (1982). "Un sistema eficiente y fácilmente adaptable para interpretar consultas en lenguaje natural" (PDF) . Comput. Linguist . 8 ( 3–4 ): 110–122 .
  13. 1 2 3 Zelle, JM; Mooney, RJ (1996). "Aprendizaje para analizar consultas de bases de datos mediante programación lógica inductiva". Actas de la Conferencia Nacional sobre Inteligencia Artificial : 1050–1055 . hdl : 1721.1/7095 .
  14. ↑ Zettlemoyer; Collins (2005). "Aprendizaje para mapear oraciones a una forma lógica: Clasificación estructurada con gramáticas categoriales probabilísticas" (PDF) . Actas de la Vigésimo Primera Conferencia sobre Incertidumbre en Inteligencia Artificial, UAI'05 : 658–666 .
  15. ↑ Kwiatkowski, T.; et al. (2010). "Inducción de gramáticas ccg probabilísticas a partir de la forma lógica con unificación de orden superior" . Actas de la Conferencia de 2010 sobre Métodos Empíricos en Procesamiento del Lenguaje Natural : 1223–1233 . 
  16. 1 2 Wong, Yuk Wah; Mooney, Raymond (2007). "Aprendizaje de gramáticas síncronas para el análisis semántico con cálculo lambda" . Actas de la 45.ª Reunión Anual de la Asociación de Lingüística Computacional : 960–967 .
  17. ↑ Dong, L.; Lapata, M. (2016). "Lenguaje a forma lógica con atención neuronal". Actas de la 54.ª Reunión Anual de la Asociación de Lingüística Computacional . Vol. 1: Artículos extensos. pp. 33–43 . arXiv : 1601.01280 .  
  18. ↑ Yin, Pengcheng; Neubig, Graham (2017). "Un modelo neuronal sintáctico para la generación de código de propósito general". Actas de la 55.ª Reunión Anual de la Asociación de Lingüística Computacional . Volumen 1: Artículos extensos: 440–450 . doi : 10.18653/v1/P17-1041 .
  19. ↑ Shi, Tianze; et al. (2018). "A Incsql: Entrenamiento de analizadores incrementales de texto a SQL con oráculos no deterministas". arXiv : 1809.05054 [ cs.CL ]. 
  20. 1 2 3 Kumar, Anjishnu; et al. (2018). "Just ASK: Building an Architecture for Extensible Self-Service Spoken Language Understanding". arXiv : 1711.00549 [ cs.CL ]. 
  21. ↑ Bapna, Ankur; et al. (2017). "Hacia el análisis semántico de marcos de cero disparos para el escalado de dominios". arXiv : 1707.02363 [ cs.AI ]. 
  22. ↑ Liu, Bing; Lane, Ian (2016). "Modelos de redes neuronales recurrentes basados ​​en atención para la detección conjunta de intenciones y el llenado de ranuras". arXiv : 1609.01454 [ cs.CL ].
  23. ↑ Liang, Percy; Potts, Christopher (2015). "Combinando el aprendizaje automático y la semántica compositiva". Annual Review of Linguistics . 1 (1): 355– 376. doi : 10.1146/annurev-linguist-030514-125312 .
  24. ↑ Drozdov, Andrew; et al. (2022). "Compositional Semantic Parsing with Large Language Models". arXiv : 2209.15003 [ cs.CL ]. 
  25. ↑ Matt Gardner, Pradeep Dasigi, Srinivasan Iyer, Alane Suhr, Luke Zettlemoyer. "Análisis semántico neuronal". Actas de la 56.ª Reunión Anual de la Asociación de Lingüística Computacional: Resúmenes de tutoriales, julio de 2018.
  26. ↑ Woods, William A. (1979). Semántica para un sistema de preguntas y respuestas . Disertaciones destacadas en ciencias de la computación. Vol. 27. Nueva York: Garland. ISBN  0-8240-4419-3.
  27. ↑ Liang, Percy (2013). "Semántica compositiva basada en dependencias Lambda". arXiv : 1309.4408 [ cs.AI ].
  28. 1 2 Hemphill, Charles T.; et al. (1990). "El corpus piloto de sistemas de lenguaje hablado ATIS" . Speech and Natural Language: Proceedings of a Workshop Held at Hidden Valley, Pennsylvania, June 24–27, 1990 . 
  29. ↑ Iyer, Srinivasan; et al. (2017). "Aprendizaje de un analizador semántico neuronal a partir de la retroalimentación del usuario". arXiv : 1704.08760 [ cs.CL ]. 
  30. ↑ Yin, Pengcheng; Neubig, Graham (2017). "Un modelo neuronal sintáctico para la generación de código de propósito general". arXiv : 1704.01696 [ cs.CL ].
  31. 1 2 Ling, Wang; et al. (2016). "Redes predictoras latentes para la generación de código". arXiv : 1603.06744 [ cs.CL ]. 
  32. ↑ Yih, Scott Wen-tau; et al. (2015). "Análisis semántico mediante generación de grafos de consulta por etapas: respuesta a preguntas con base de conocimiento" (PDF) . Actas de la Conferencia Conjunta de la 53.ª Reunión Anual de la ACL y la 7.ª Conferencia Internacional Conjunta sobre Procesamiento del Lenguaje Natural de la AFNLP . 
  33. ↑ Reddy, Siva; et al. (2014). "Análisis semántico a gran escala sin pares pregunta-respuesta" . Transactions of the Association for Computational Linguistics . 2 (1): 377– 392. doi : 10.1162/tacl_a_00190 . 
  34. ↑ Guu, Kelvin; et al. (2015). "Recorriendo grafos de conocimiento en el espacio vectorial". arXiv : 1506.01094 [ cs.CL ]. 
  35. ↑ Artzi, Yoav (2013). "Cornell SPF: Marco de análisis semántico de Cornell". arXiv : 1311.3011 [ cs.CL ].
  36. ↑ Wong, Yuk Wah; Mooney, Raymond J. (2006). Aprendizaje para el análisis semántico con traducción automática estadística . Actas de la conferencia principal sobre tecnología del lenguaje humano del capítulo norteamericano de la Asociación de Lingüística Computacional. Asociación de Lingüística Computacional. pp. 439–446 . CiteSeerX 10.1.1.135.7209 . doi : 10.3115/1220835.1220891 .  
  37. ↑ Wang, Yushi, Jonathan Berant y Percy Liang. «Construyendo un analizador semántico de la noche a la mañana». Actas de la 53.ª Reunión Anual de la Asociación de Lingüística Computacional y la 7.ª Conferencia Internacional Conjunta sobre Procesamiento del Lenguaje Natural (Volumen 1: Artículos extensos) . Vol. 1. 2015.
  38. ↑ Perez-Beltrachini, Laura; Jain, Parag; Monti, Emilio; Lapata, Mirella (2023). "Análisis semántico para la respuesta a preguntas conversacionales sobre grafos de conocimiento". arXiv : 2301.12217 [ cs.CL ].
  39. ↑ Quirk, Chris, Raymond Mooney y Michel Galley. «Del lenguaje al código: Aprendizaje de analizadores semánticos para recetas condicionales (si esto, entonces aquello)». Actas de la 53.ª Reunión Anual de la Asociación de Lingüística Computacional y la 7.ª Conferencia Internacional Conjunta sobre Procesamiento del Lenguaje Natural (Volumen 1: Artículos extensos) . Vol. 1. 2015.
  40. ↑ Oda, Yusuke, et al. "Aprendizaje para generar pseudocódigo a partir de código fuente mediante traducción automática estadística (t)". ​​Ingeniería de Software Automatizada (ASE), 30.ª Conferencia Internacional IEEE/ACM de 2015. IEEE, 2015.
  41. ↑ Kuhlmann, Gregory, et al. "Guiando a un aprendiz por refuerzo con consejos en lenguaje natural: Resultados iniciales en el fútbol RoboCup". Taller AAAI-2004 sobre control de supervisión de sistemas de aprendizaje y adaptativos . 2004.
  42. 1 2 Oepen, Stephan; Abend, Omri; Hajic, Jan; Hershcovich, Daniel; Kuhlmann, Marco; O'Gorman, Tim; Xue, Nianwen; Chun, Jayeol; Straka, Milan; Uresova, Zdenka (2019). "MRP 2019: Análisis de la representación del significado entre marcos" (PDF) . Actas de la tarea compartida sobre análisis de la representación del significado entre marcos en la Conferencia de 2019 sobre aprendizaje del lenguaje natural . Asociación de Lingüística Computacional. págs. 1–27 . doi : 10.18653/v1/K19-2001 . Recuperado el 20 de junio de 2025 . 
  43. ^ Van Noord, Rik; Abzianidze, Lasha; Haagsma, Hessel; Bos, Johan (2018). Calzolari, Nicoletta; Choukri, Khalid; Cieri, Cristóbal; Declerk, Thierry; Goggi, Sara; Hasida, Koiti; Isahara, Hitoshi; Maegaard, Bente; Mariani, José; Mazo, Hélène; Moreno, Asunción; Odijk, enero; Piperidis, Stelios; Tokunaga, Takenobu (eds.). Evaluación de representaciones de significado con alcance (PDF) . Actas de la Undécima Conferencia Internacional sobre Evaluación y Recursos Lingüísticos (LREC 2018) . Miyazaki, Japón: Asociación Europea de Recursos Lingüísticos (ELRA). págs . 1685-1693 . Consultado el 20 de junio de 2025 . 
  44. 1 2 Kamath, Aishwarya; Das, Rajarshi (2019). "Un estudio sobre el análisis semántico" . Construcción automatizada de bases de conocimiento . doi : 10.24432/C5WC7D . Recuperado el 20 de junio de 2025 .
  45. ↑ Lee, Celine; Gottschlich, Justin; Roth, Dan (2021-04-26). "Hacia la generación de código: una revisión y lecciones del análisis semántico". arXiv : 2105.03317 [ cs.SE ].
  46. ↑ Liang, Percy (24 de agosto de 2016). "Aprendizaje de analizadores semánticos ejecutables para la comprensión del lenguaje natural" . Communications of the ACM . 59 (9): 68–76 . arXiv : 1603.06677 . doi : 10.1145/2866568 . ISSN 0001-0782 . 
  47. ↑ Lake, Brenden; Baroni, Marco (2018). Dy, Jennifer; Krause, Andreas (eds.). "Generalización sin sistematicidad: sobre las habilidades compositivas de las redes recurrentes secuencia a secuencia" (PDF) . Actas de la 35.ª Conferencia Internacional sobre Aprendizaje Automático . 80. Stockholmsmässan, Estocolmo, Suecia: 2873–2882 . Recuperado el 20 de junio de 2025 .
  48. ↑ Keysers, Daniel; Schärli, Nathanael; Scales, Nathan; Buisman, Hylke; Furrer, Daniel; Kashubin, Sergii; Momchev, Nikola; Sinopalnikov, Danila; Stafiniak, Lukasz; Tihon, Tibor; Tsarkov, Dmitry; Wang, Xiao; Zee, Marc van; Bousquet, Olivier (2019). Measuring Compositional Generalization: A Comprehensive Method on Realistic Data . International Conference on Learning Representations . Retrieved 2025-06-20 .
  49. ↑ Kim, Najoung; Linzen, Tal (2020). "COGS: Un desafío de generalización compositiva basado en la interpretación semántica" (PDF) . Actas de la Conferencia de 2020 sobre Métodos Empíricos en Procesamiento del Lenguaje Natural (EMNLP) . Asociación de Lingüística Computacional. págs. 9087–9105 . doi : 10.18653/v1/2020.emnlp-main.731 . Recuperado el 20 de junio de 2025 . 
Obtenido de " https://en.wikipedia.org/w/index.php?title=Semantic_parsing&oldid=1345192590 "
Lecturas relacionadas
6 articulos
DeclaraciónDeclaraciónEn el análisis del lenguaje hablado , un enunciado es un fragmento continuo de habla, pronunciado por una persona, antes o después del cual hay sil...Lenguaje naturalEn neuropsicología , lingüística y filosofía del lenguaje , una lengua natural o lengua ordinaria es cualquier lengua que se produce de forma natur...Forma lógica (lingüística)Forma lógica (lingüística)En la gramática generativa y en enfoques relacionados, la forma lógica ( LF ) de una expresión lingüística es la variante de su estructura sintácti...Traducción automáticaTraducción automáticaLa traducción automática es el uso de técnicas computacionales para traducir texto o voz de un idioma a otro, incluidos los matices contextuales, i...Responder preguntasResponder preguntasLa respuesta a preguntas ( QA ) es una disciplina de la informática dentro de los campos de la recuperación de información y el procesamiento del l...Razonamiento automatizadoRazonamiento automatizadoEn informática , en particular en la representación y razonamiento del conocimiento y la metalógica , el área del razonamiento automático se dedica...