本文介绍了 SemEval-2020 任务 4，Commonsense Validation and Explanation (ComVE)，该任务包括三个子任务，旨在评估一个系统能否区分人类可以理解的自然语言语句和不可理解的语句，并提供解释。本任务吸引了 39 个团队参与其中，对于 A、B 两个子任务，排名靠前的系统的表现与人类相当接近，但对于 C 子任务，系统和人类之间仍存在较大差距。

Jul, 2020

本文介绍了 SemEval-2020 任务 4：Commonsense Validation and Explanation（ComVE）挑战中的常识推理任务，探讨了几种针对该任务的深度学习方法，并使用多选题式的分类方法来提高模型准确率。研究结果表明，我们的模型在三个子任务中表现良好，并在第二个子任务中获得了很高的排名。同时，我们使用了一种强大的生成模型进行了最后一个子任务的研究，现在还有许多相关的潜在研究方向。

May, 2020

本篇论文介绍了一种新的基于多源知识的 Commonsense 验证和解释体系结构，名为 KEGAT，利用考虑结构化知识库（即 ConceptNet）和非结构化文本的异构知识来提高机器在 Commonsense 理解方面的能力，其公告代码名为 ECNU-SenseMaker。该模型通过运用适当的 Commonsense 结合方法和升级的数据增强技术具有强大的 Commonsense 推理能力，并协作采取内部共享机制以防止模型因 Commonsense 不足或推理超量而表现不佳。该系统在 SemEval-2020 Task 4 中的 Commonsense Explanation 子任务中取得了最先进的准确率。

Jul, 2020

本文描述了我们针对 SemEval2020 Task 4 C 任务提交的 mUlti-task learNIng for cOmmonsense reasoNing (UNION) 系统，该系统提出了一种统一的端到端框架，利用了多个现有的常识数据集，并提出了辅助自动评估度量，以高效、准确、及时地执行模型选择。该系统不仅在指标上表现良好，而且在人类评估上得到了最高得分，同时仍保持着 15.7 的 BLEU 得分。

Jun, 2020

本文描述了 BUT-FIT 团队在 SemEval 2020 任务 4（常识验证和解释）中的工作，涉及三个子任务：A、B、C。其中，在子任务 A 和 B 中，我们的提交基于预训练语言表示模型和数据增强。我们尝试了使用多语言模型和机器翻译数据集或翻译模型输入来解决另一种语言（捷克语）的任务。在子任务 C 中，我们的提交基于预训练序列到序列模型，排名第一。我们还对所有子任务进行了误差和数据集分析，并提出了我们的发现。

Aug, 2020

使用自然语言序列和突出的注释收集人类的常识推理解释，形成一个名为 CoS-E 的新数据集。利用 CoS-E 训练语言模型，在 Commonsense Auto-Generated Explanation (CAGE) 框架中生成解释，可用于训练和推理。实验结果表明能够有效利用语言模型进行常识推理。

Jun, 2019

本文提出了一种基于自编码语言模型的集成学习方法，称为 ALMEn，用于常识验证和解释，在 SemEval-2020 任务 4 的基准数据集上表现良好，可区分违反常识的自然语言陈述并正确识别其原因，验证和解释选择子任务的准确性分别达到 97.9％和 95.4％，超过了现有的最先进模型。

Apr, 2022

利用综合策略和先进的预训练模型，以及 Sentence 和 Word Puzzle 数据集作为训练数据，并结合幽默 / 笑话和 RiddleSense 数据集进行模型微调，实现了 92.5％的句子拼图子任务准确率和 80.2％的词语拼图子任务准确率。

May, 2024

本文描述了我们关于 SemEval-2018 任务 11 的研究：利用通识知识的机器阅读理解系统。我们使用三向注意力网络（TriAN）来模拟段落、问题和答案之间的交互，并通过来自通识知识概念网络的关系嵌入增强输入。因此，我们的系统在测试数据中实现了 83.95% 的最高准确性，代码可公开获取。

Mar, 2018

本文介绍了我们用于 SemEval Task4 的前两个子任务的系统，通过使用提示模板进行输入重构策略来澄清判断意图和注入对比信息以进行选择，并将子任务形式化为多选题形式来构建输入，然后，问题回答的最终预测被视为子任务的结果。实验结果表明，与基线系统相比，我们的方法在第一个和第二个子任务的官方测试集上均取得了显着的性能，我们的方法以 96.4 和 94.3 的准确率安全地排在前三名。

Jul, 2020