本文介绍了五个原则来整合七个主要源的常识知识，创建第一个集成的 CommonSense Knowledge Graph（CSKG），并显示其各种文本和图形嵌入。同时，阐述了 CSKG 可以提供证据来支持下游推理和语言模型的预训练，并公开了 CSKG 及其所有嵌入以支持常识知识整合和推理的进一步研究。
Dec, 2020
本文旨在通过整合常识知识维度，调查了许多常识知识来源并将它们合并成 13 个常识知识维度，其中时间和渴望 / 目标维度对于现有的下游推理任务非常有益，而不同性和词汇知识对这些任务的影响相对较小。
Jan, 2021
本文提出了一种多维模型的常识知识语句，以及一种关于相关语句集合的联合推理方法。通过将推理转化为整数线性规划，采用软约束和松弛 LP 的降维成本理论来计算信息化排序，本方法可以应用于多个大型 CSK 收集，最终可以将这些内容转化为更干净和更具表现力的知识。
Jan, 2020
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
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
该研究提出了一种将多种知识源集成起来的问题回答方法，着重利用基于图的迭代知识检索模块和答案感知的注意机制，从多个知识源中检索和综合背景知识，并在 CommonsenseQA 数据集上实现了最优的表现。
Nov, 2020
本文提出一种利用韩语知识图谱数据进行文本生成的方法，并强调使用补充数据可以增强韩语通识推理的效率。
Jun, 2023
本文提出一种模块化的知识聚合的零 - shot 常识推理框架，可以在多个不同的知识图谱中应用，提高了常识推理性能。
Jun, 2022
本论文研究如何更好地表示常识知识，提出了一种概率逻辑表示方案和一种层次化概念本体论，能够更灵活地表示信念，并在神经符号应用中使用。通过专家注释和群众众包，将这个框架扩展到 PrimeNet 知识库，并展示其在更易解释的语义解析和问题回答中的应用。
Nov, 2022
CLEVER 是一种利用视觉感知中蕴含的 commonsense 知识，在不需要人类对图像实例进行注释的情况下，通过远程监督的多实例学习问题，从图像中提取 commonsense 知识的方法。实验结果表明，CLEVER 可以提取有质量的 commonsense 知识。