EMNLPAug, 2018

通过符号模型弥合神经蕴含中的知识差距

PDF
TL;DR本文介绍了一种使用外部结构化知识库填补科学知识差距的模型，将标准神经模型与知识查找模块相结合，在使用科学知识库和文本先验信息验证子事实后，NSnet 模型在 SciTail 数据集上比基准模型性能提高了 5%。
发现论文，激发创造
  • EntailE: 建立在常识知识图谱完备性基础上的文本蕴含

    本文提出了一种采用文本蕴含来找到共享常识知识图谱节点之间的隐式蕴含关系的方法，以有效地增加相同概念类中节点之间连接的子图密度，从而提高 CSKG 完成任务的性能。

    Feb, 2024

  • 文本蕴含基础

    本文研究了文本蕴涵中的语义关系 —— 通过可能世界来分析前提和假说之间的关系，同时结合图像进行多模态的分析，结果表明文本和视觉信息相结合可以更好地进行文本蕴涵，但当前多模态模型在 “接地” 方面还不够优化。

    Jun, 2018

  • 用神经注意力推断

    本文提出了一种新的神经模型，使用长短时记忆单元读取两个句子以确定蕴含关系，通过逐词的注意机制对每个单词和短语的蕴含进行推理，该模型在大型蕴含数据集上表现出了更好的性能，并且是第一个在文本蕴含数据集上实现最先进准确度的通用端到端可导系统。

    Sep, 2015

  • 结构化注意力与合成的文本蕴含

    本文研究了使用子树级别的 attention 模型进行文本蕴含任务，相比基于硬对齐和逻辑的传统模型具有更强鲁棒性和更高准确度，并且扩展 attention 模型到树节点可以更好地利用语法和递归信息提高准确度。

    Jan, 2017

  • 神经知识语言模型

    该研究提出了一种神经知识语言模型 (NKLM)，将知识图提供的符号化知识与 RNN 语言模型相结合，通过预测所生成的单词是否具有潜在事实，从预测事实的描述中复制生成这些与知识相关的单词。实验结果表明，NKLM 显著提高了性能的同时，生成了更少的未知词。

    Aug, 2016

  • 多知识库神经语义解析

    通过在不同领域的语言中利用结构规律，并在多个知识库中共享信息来训练语义解析器的序列到序列模型，同时在解码时提供域的编码，可以显著提高解析准确性，从而实现了针对 Overnight 数据集（包含八个领域）的最新性能，将模型参数的数量降低了 7 倍。

    Feb, 2017

  • 通过经验文本表示的语义特征实现文本蕴涵识别

    本文提出了一种新的基于阈值的语义文本表示方法，并结合机器学习算法应用语义和词汇特征对文本 - 假设对进行分类，该技术有效地丰富了文本的语义信息，在文字蕴涵分类任务中在意义理解方面的表现明显优于已知方法

    Oct, 2022

  • 以事实为专家：基于符号知识的可适应和可解释神经记忆

    该论文提出了一种神经语言模型，该模型在符号可解释事实信息和亚符号神经知识之间包括显式接口，可以通过操作其符号表示更新并覆盖已有的知识，进而显著提升知识密集型问题的问答性能。

    Jul, 2020

  • 多前提自然语言推理

    该论文定义了一项新的文本蕴含任务，要求对多个前提句子进行推断，提出了一个新的数据集来最小化平凡的词汇推理，强调对日常事件的知识，并为文本蕴含提出了一个更具挑战性的环境；同时评估了多种强力神经网络基线，并分析多个前提任务与标准文本含义的区别。

    Oct, 2017

  • 从知识库中学习文本和实体的分布式表示

    我们提出了一种神经网络模型，该模型可共同学习文本和知识库实体的分布式表示。我们使用基于维基百科的大量文本和其实体注释来训练模型，并在涉及无监督和有监督设置的三个重要 NLP 任务（即句子文本相似性，实体链接和短问答）上进行了评估。在所有三个任务上，我们都取得了最先进的结果。

    May, 2017