Understanding the meaning of a text is a fundamental challenge of natural language understanding (NLU) and from its early days, it has received significant attention through question answering (QA) tasks. We introduce a general semantics-based framework for natural language QA and also describe the SQuARE system, an application of this framework. The framework is based on the denotational semantics approach widely used in programming language research. In our framework, valuation function maps syntax tree of the text to its commonsense meaning represented using basic knowledge primitives (the semantic algebra) coded using answer set programming (ASP). We illustrate an application of this framework by using VerbNet primitives as our semantic algebra and a novel algorithm based on partial tree matching that generates an answer set program that represents the knowledge in the text. A question posed against that text is converted into an ASP query using the same framework and executed using the s(CASP) goal-directed ASP system. Our approach is based purely on (commonsense) reasoning. SQuARE achieves 100% accuracy on all the five datasets of bAbI QA tasks that we have tested. The significance of our work is that, unlike other machine learning based approaches, ours is based on "understanding" the text and does not require any training. SQuARE can also generate an explanation for an answer while maintaining high accuracy.

中文翻译：

---

SQuARE：基于语义的问答和推理引擎

理解文本的含义是自然语言理解 (NLU) 的一项基本挑战，从早期开始，它就通过问答 (QA) 任务受到了极大的关注。我们为自然语言 QA 引入了一个基于语义的通用框架，并描述了 SQuARE 系统，这是该框架的一个应用。该框架基于广泛用于编程语言研究的指称语义方法。在我们的框架中，评估函数将文本的语法树映射到使用答案集编程（ASP）编码的基本知识原语（语义代数）表示的常识意义。我们通过使用 VerbNet 原语作为我们的语义代数和一种基于部分树匹配的新算法来说明该框架的应用，该算法生成一个表示文本知识的答案集程序。针对该文本提出的问题使用相同的框架转换为 ASP 查询，并使用 s(CASP) 目标导向的 ASP 系统执行。我们的方法完全基于（常识）推理。SQuARE 在我们测试过的 bAbI QA 任务的所有五个数据集上都达到了 100% 的准确率。我们工作的意义在于，与其他基于机器学习的方法不同，我们的方法是基于“理解”文本，不需要任何培训。SQuARE 还可以在保持高精度的同时为答案生成解释。针对该文本提出的问题使用相同的框架转换为 ASP 查询，并使用 s(CASP) 目标导向的 ASP 系统执行。我们的方法完全基于（常识）推理。SQuARE 在我们测试过的 bAbI QA 任务的所有五个数据集上都达到了 100% 的准确率。我们工作的意义在于，与其他基于机器学习的方法不同，我们的方法是基于“理解”文本，不需要任何培训。SQuARE 还可以在保持高精度的同时为答案生成解释。针对该文本提出的问题使用相同的框架转换为 ASP 查询，并使用 s(CASP) 目标导向的 ASP 系统执行。我们的方法完全基于（常识）推理。SQuARE 在我们测试过的 bAbI QA 任务的所有五个数据集上都达到了 100% 的准确率。我们工作的意义在于，与其他基于机器学习的方法不同，我们的方法是基于“理解”文本，不需要任何培训。SQuARE 还可以在保持高精度的同时为答案生成解释。与其他基于机器学习的方法不同，我们的方法基于“理解”文本，不需要任何培训。SQuARE 还可以在保持高精度的同时为答案生成解释。与其他基于机器学习的方法不同，我们的方法基于“理解”文本，不需要任何培训。SQuARE 还可以在保持高精度的同时为答案生成解释。