论文概要
提出一个结构感知的神经架构，将语义解析过程分解为如下两个步骤：给定一个输入语句，1）首先生成它含义的粗略草图（a rough sketch of its meaning），其中低级信息被掩盖（如变量名和参数）。2）然后考虑输入本身和草图来填充丢失的细节。 RNN 在多种 NLP 任务中的成功应用对 seq2seq 的语义解析产生了强大的冲击力，如Jia and Liang, 2016; Dong and Lapata, 2016; Ling et al., 2016。 我们认为，这种方法至少有三个优点。首先，分解步骤将高级语义信息与低级语义信息分离开来，使译码器能够在不同的粒度级别对语义进行建模。其次，模型可以明确地为具有相同草图（即基本含义）的示例共享粗糙结构的知识，即使它们的实际含义表示不同（例如，由于不同的细节）。第三，在生成草图后，解码器知道语句的基本含义是什么，模型可以将其作为全局上下文来改进对最终细节的预测。 使用如下数据集： 1. GEO 2. ATIS 3. DJANGO 4. WikiSQL
问题阐释
定义 \(x = x_1 \dots x_{|x|}\) 为自然语句，\(y = y_1 \dots y_{|y|}\)为意义表示，\(a = a_1 \dots a_{|a|}\)为 sketch 表示。注意 sketch 的定义为：一个中间变量，如将自然语句转化为 Logical Form，Source Code，SQL，noSQL，SPARQL等表示，这些表示都算是一个 sketch。下图论文架构： 
Sketch Generation
encoder 将自然语句编码为向量，decoder 去计算 \(p(a|x)\) 从而通过encoding 向量 生成 sketch a。具体来讲，Input Decoder 将字转为词向量，并使用 Bi-LSTM 训练。Coarse Meaning Decoder 生成 sketch a，也使用 LSTM 并且加上 attention 机制。
Meaning Representation Generation
Meaning representation 由输入 x 以及生成的 sketch a 预测产生，具体就是计算 \(p(y|x,a)\)。Sketch Encoder 与 Input Decoder 类似，使用 Bi-LSTM 并将 sketch a 映射为词向量。Fine Meaning Decoder 与 Coarse Meaning Decoder 类似。
总结
总的来说就是先用自然语句生成 coarse sketch，然后再用 coarse sketch 生成 fine sketch。一共使用了两个 encoder-deocder 模型，但是将这两个模型连起来用。
三个语义分析任务
为了证明我们的框架适用于跨域和意义表示，我们为三个任务开发了模型，即将自然语言解析为逻辑形式、Python 源代码和 SQL 查询。对于每一个任务，我们都描述了使用的数据集以及 sketch 提取的提取步骤。
