Aug, 2020

Wikidata 中的常识知识

PDF
TL;DR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。
发现论文，激发创造
  • 常识知识的整合

    通过对常识知识源进行调查，本文提出了构建通识知识图谱的原则、表示模型，将七个独立的常识知识源整合到了第一版集成的通识知识图谱中，并分析了它在四个问答数据集上的应用统计结果和所得到的经验教训。

    Jun, 2020

  • 通识知识图谱：CSKG

    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

  • 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

  • 多方面常识知识的联合推理

    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

  • 基于图形迭代检索多个知识源来提高常识问答

    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

  • 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

  • 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

  • Wikidata 是否支持类比推理？

    本文旨在研究 Wikidata 是否支持类比推理，发现 Wikidata 中关键的联合信息通常缺失或模型不一致，需要大量的人工工作才能用于类比分类，同时提出了一组指标来指导自动从 Wikidata 中提取类比的方法。

    Oct, 2022

  • 常识知识的维度

    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

  • 常识挖掘作为知识库完成的方法？对新颖性影响的研究

    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。

    Apr, 2018