Die menschliche Kommunikation ist unmittelbar in der realen Welt verankert. Bestehende Methoden zur Verarbeitung natürlicher Sprachen verwenden strukturierte Wissensdatenbanken, um sprachliche Ausdrücke zu verankern. Die Aufgabe des semantischen Parsing besteht darin, Entitäten und Relationen in einem Text mit dem Weltwissen zu verknüpfen, das in einer Wissensdatenbank kodiert ist. Als Output generiert ein semantischer Parser eine universelle semantische Textrepräsentation, die für Aufgaben wie Faktencheck oder Beantwortung von Fragen eingesetzt werden kann.

In dieser Dissertation wird untersucht, wie man die Genauigkeit des semantischen Parsers verbessert, indem man einzelne Textelemente mit dem Weltwissen verknüpft und strukturierte semantische Repräsentationen in einer einheitlichen Architektur konstruiert. Wir präsentieren drei Hauptbeiträge: - Wir entwickeln neue kontextsensitive Methoden, um Texte mit der Wissensdatenbank zu verlinken. - Wir führen Graph Neural Networks zum Codieren strukturierter semantischen Repräsentationen ein. - Wir untersuchen das Generalisierungspotential der entwickelten wissensbasierten Methoden und wenden sie auf Aufgaben an, die ein tiefes Sprachverständnis verlangen.

In unserem ersten Beitrag untersuchen wir zwei Aufgaben, die sich auf die Verknüpfung von Textelementen mit externem Wissen konzentrieren: Relationsextraktion und Entitätsverknüpfung. Die Relationsextraktion identifiziert Relationen in einem Text und ordnet sie einem der Typen des Wissensdatenbankschemas zu. Traditionell werden Relationen in einem Satz einzeln verarbeitet. Stattdessen schlagen wir einen neuen Ansatz vor, der mehrere Relationen gleichzeitig berücksichtigt. Unser System liefert bessere Ergebnisse als existierende Ansätze. Das Ziel der Entitätsverknüpfung besteht darin, Entitätserwähnungen in einem Text zu finden und zu disambiguieren. Eine Wissensdatenbank enthält Millionen von Entitäten, die verschiedene Kategorien von Ortsnamen bis hin zu berühmten Personen umfassen. Wir präsentieren eine neue Architektur für die Entitätsverknüpfung, die über verschiedene Entitätskategorien hinweg wirksam ist.

Unser zweiter Beitrag konzentriert sich auf einen semantischen Parser, der eine mit der Wissensdatenbank verknüpfte semantische Repräsentation eines Textes produziert. Frühere Methoden haben einzelne Textelemente (Entitäten und Relationen) isoliert verlinkt und sie erst später zu einer vollständigen semantischen Repräsentation zusammengesetzt. Solche Ansätze schneiden jedoch schlecht ab, wenn eine semantische Repräsentation mehrere Entitäten und Relationen enthält. Wir integrieren den Verknüpfungsschritt und die Konstruktion einer semantischen Repräsentation in eine gemeinsame Architektur. Um semantische Repräsentationen zu codieren, setzen wir zum ersten Mal Gated Graph Neural Networks für diese Aufgabe ein. Unsere Parsing-Methoden sind weniger anfällig für Fehlerfortpflanzung und robuster für die Erstellung semantischer Repräsentationen mit mehreren Beziehungen. Wir beweisen die Effizienz unseres semantischen Parsers empirisch anhand eines Datensatzes zur Fragenbeantwortung.

In unserem dritten Beitrag behandeln wir die extrinsische Evaluation der entwickelten Methoden an drei Aufgaben: argumentatives Reasoning, Faktencheck und Text Comprehension. Wir zeigen, dass unsere Methoden erfolgreich auf andere Aufgaben und Datensätze übertragen werden können, für die sie nicht trainiert wurden.