ACLApr, 2018

常识挖掘作为知识库完成的方法？对新颖性影响的研究

PDF
TL;DR本文分析了使用知识库补全模型从原始文本中挖掘常识知识的可行性，并将预测的三元组的新颖性作为解释结果的重要因素。我们批判性地分析了挖掘新奇常识知识的困难性，并展示了一种简单的基线方法在预测更多新奇知识方面优于之前的最佳方法。
发现论文，激发创造
  • 从术语定义中挖掘常识知识

    本文研究使用机器学习方法从词典术语定义中挖掘常识知识三元组，并对现有的三元组评分模型进行了比较，结果表明词项定义包含一些有效和新颖的常识知识三元组，同时也揭示了使用现有三元组评分模型面临的一些挑战。

    Feb, 2021

  • 预训练模型中的常识知识挖掘

    使用预训练的双向语言模型将关系三元组转换为掩码句子，通过估计点间互信息来排名三元组的有效性，从而开发了一种生成常识知识的方法。该方法在新源中挖掘常识知识时优于显式训练的模型，说明无监督技术比目前的有监督方法更具推广性。

    Sep, 2019

  • 基于结构和语义上下文的常识知识库完善

    该研究提出了新的知识库补全模型，它可以通过利用节点的结构和语义上下文来解决本体库完整性问题。该模型不仅学习了本地图结构，而且还利用了预先训练的语言模型的转移学习来增强对知识的上下文表示，进而显著提高了链路预测能力，并对常识知识的类型进行了分析。

    Oct, 2019

  • COMET: 用于自动知识图谱构建的常识 Transformer

    我们提出了 COMET，一种生成通用语言的丰富多样的常识知识描述的模型，并在 ATOMIC 和 ConceptNet 这两个通用常识图的自动知识库构建方面取得了优秀的结果。

    Jun, 2019

  • 一种基于预备知识库的常识推理教授预训练模型的初步方法

    通过利用 ConceptNet 中的结构化知识，构造逻辑形式并生成常识性逻辑推理的多项选择题进行训练，我们提出了一种简单而有效的方法来教授预训练模型常识性推理，实验结果表明，这种训练可以使预训练模型在需要常识性推理的任务上表现稳定提升，特别是在少样本学习设置下。

    Sep, 2019

  • Wikidata 中的常识知识

    本研究调查了 Wikidata 中是否包含与现有常识源不同的常识知识，并通过三个指导原则生成了 Wikidata 的常识子图。实验发现，尽管 Wikidata-CS 表示 Wikidata 的一小部分，但它是包含相关常识知识的指示器，可以映射到 15 个 ConceptNet 关系；Wikidata-CS 与其他常识源的重叠很小，需要进行知识集成和质量改进。基于这些发现，我们提出了三个长期改进建议。

    Aug, 2020

  • 在预训练模型中加入常识知识图谱以进行社交常识任务

    该研究提出了两种方法，通过外部常识知识图谱，隐式或显式地融入到预先训练好的自然语言处理模型中，以提高社交智能，这种方法对社交常识推理任务 SocialIQA 的表现在有限和完整的训练数据制度下都表现出良好的效果。

    May, 2021

  • 基于常识预训练的问答系统改进

    本文提供一种有效的方法，通过使用外部的常识知识库，例如 ConceptNet，来预训练直接和间接的概念相关函数，并将其添加到现有的神经网络模型中，以提高基于常识推理的三个问答任务的基础结果。结果表明，我们的系统能够发现和利用外部常识知识库中有用的证据，这对于导出正确答案很有帮助。

    Sep, 2018

  • 如何通过额外知识来提升自然语言常识问答能力？

    本文提出了将外部常识知识与语言模型相结合的方法，以提高多选题目中常识知识的应用。研究人员采用三种不同的知识插入策略和四种不同的问题 - 回答模型，分析预测结果并探索进一步改进的范围。

    Sep, 2019

  • UnCommonSense: 关于日常概念的信息性负知识

    本文提出了 UNCOMMONSENSE 框架，以材料化负面常识陈述，给定一个目标概念，识别 CSKB 中可比较的概念，通过局部封闭世界假设将可比较概念的正陈述用于生成负陈述候选项，并对其进行筛选和排序。该方法超出了现有技术在内在和外在评估方面的表现，并发布了大量的信息性否定数据集作为未来研究的资源。

    Aug, 2022