Abstract

这篇文章解决的还是semantic parser的问题，主要的实验还是在WikiTableQuestion和WikiSQL上进行。将文本问题转换成程序，通过一个computer执行。这篇文章提到了semantic parser的两个难点，一个是存在假程序，也就是答案正确但是程序本身是错误的。另一个就是搜索空间过大的问题。spurious program的问题其实就是MAPO要解决的bias的问题，所以这篇文章要解决的问题和MAPO是差不多的，只不过方法不一样，MAPO是针对存在这一类问题的任务，而这篇文章只是针对semantic parser的问题。核心idea：作者认为correct program和question之间是有一定对应关系的，比如结构上的对应。所以作者希望能够导出这样的规则，称为latent-alignment framework。 prediction分成两部分，1）预测抽象程序。2）把抽象程序填充。其实这种方法就像是模板预测，先生成模板然后预测。

Introduction

他这里的规则感觉很古怪，但是这个idea还挺好的。

correct program和spurious program的差别就在于“silver”被用了两遍，所以导出的规则就是同一个variable不能被trigger两次。

在第一阶段，将question text映射成abstract program，第二个阶段就是对abstract program填充，也就是填充模板，每一个空对应一个分类器。

Model

首先是定义语法，因为有抽象程序和实例程序，所以也定义了抽象语法和实例语法。Abstract Grammar定义了5种基本类型，Row，Column，String，Number，Date。function：Return Type -> function，比如ROW -> first，取出第一列。

导出语法树。Instantiation Grammar属于填充部分，根据不同的条件填充变量。这个语法树就可以写成规则的组合，所以这个程序把生成template转换成生成规则了。

operator可以是>=<，条件也可以通过and或者or的方式。
另外，作者观察了数据集，发现1）那些能够生成consistent program的程序的abstract program利用的规则都不是很复杂。2）在WikiTableQuestion86%的问题都只有一个consistent program。而wikiSQL中每一个问题基本上有84个consistent program。3）只有少部分的abstract program是能够被实例化成consistent program的。

Training

Our learning objective J is to maximize the log-likelihood of the marginal probability of all consistent programs, which are generated by mapping an utterance x to an interim abstract program h.

目标函数是优化所有的consistent program的边缘概率。

很好理解，第一项是生成抽象程序的概率，第二项是生成实例程序的概率。在训练阶段只会关注能够生成consistent program的程序，在测试阶段会选择概率最大的。这个训练应该还可以再做优化的。

Conclusion

这篇文章还有很多细节没有阅读，但是大致是思想还是明白的，生成模板，然后填充，不过这种方法最后并没有超越sota。而且对于这个数据集而言，我感觉伪程序出现的不多，我sample了一些数据集后没有发现太多的伪程序，所以我认为他这种模板的方法对于accuracy上应该是没有什么太大提升的，但是他的方法还是很新的，我并没有跑过他的代码，但是从程序的长度和复杂度上讲，程序不会超过三跳，方法也没有很复杂，所以填充模板应该不会出现太多错误，主要原因可能是再模板生成的准确率上，如果能提升模板准确率那么模型可以改进。