초록
의미 해석(Semantic parsing)은 자연어(NL) 표현을 기계 실행 가능한 의미 표현(MR)으로 변환하는 작업을 다룬다. 신경망 기반의 의미 해석기들은 이전 방법들에 비해 놀라운 성능 향상을 이뤘지만, 여전히 완벽한 결과에 도달하지 못했으며, 간단한 수동 검토만으로도 생성된 MR의 부적절성이나 일관성 부족과 같은 명백한 문제를 쉽게 발견할 수 있다. 본 논문에서는 기존 신경망 기반 의미 해석기의 성능을 빠르게 반복 개선하기 위한 간단한 접근법을 제안한다. 이 방법은 기본 모델에서 발생하는 문제를 보완하기 위해 설계된 특징을 활용하여 예측된 MR들의 n-best 목록을 재정렬(reranking)하는 것이다. 우리는 이 재정렬기(reranker)를 경쟁력 있는 신경망 의미 해석기 구현에 적용하여, 네 가지 의미 해석 작업(GEO, ATIS) 및 파이썬 코드 생성 작업(Django, CoNaLa)에서 실험을 수행하였으며, CoNaLa에서 BLEU 기준으로 최대 5.7%의 절대적 성능 향상을, Django에서는 정확도 기준으로 최대 2.9%의 성능 향상을 기록하였다. 이는 네 가지 데이터셋 모두에서 기존에 발표된 최고의 신경망 기반 의미 해석기 성능을 넘어서는 결과를 달성하였다.