摘要

语义解析旨在将自然语言（NL）语句转换为可由机器执行的意义表示（MR）。尽管基于神经网络的语义解析器相较于以往方法取得了显著进步，但其结果仍远未完善，仅通过粗略的人工检查即可发现生成的意义表示存在明显问题，例如语义不充分或逻辑不连贯。本文提出一种简单高效的方法，通过重新排序预测出的n-best意义表示列表，对现有神经语义解析器进行快速迭代与性能提升。该方法利用专门设计的特征来修复基线模型中存在的问题。我们在一个具有竞争力的神经语义解析器中实现了该重排序器，并在四个任务上进行了测试：两个语义解析任务（GEO、ATIS）和两个Python代码生成任务（Django、CoNaLa）。实验结果表明，该方法在CoNaLa任务上将BLEU得分提升了高达5.7个百分点，在Django任务上将准确率提升了2.9个百分点，显著优于所有四个数据集上已发表的最佳神经语义解析器结果。