摘要

我们将人类语言理解形式化为一个结构化预测任务，其中输出为一个部分有序集（poset）。现有的编码器-解码器架构未能充分考虑语义的poset结构，因而导致组合泛化能力较差。本文提出一种新型的层次化poset解码范式，以提升语言理解中的组合泛化能力。直观上，该范式具有以下优势：（1）在语义层面强制实现部分置换不变性（partial permutation invariance），从而避免对特定排序信息的过拟合；（2）层次化机制能够有效捕捉poset的高层结构。我们在Compositional Freebase Questions（CFQ）数据集上对所提出的解码器进行了评估，该数据集是一个大规模且贴近真实场景的自然语言问答数据集，专门用于衡量组合泛化性能。实验结果表明，该方法显著优于现有的解码器模型。