本研究提出一种生成式和结构化的常识推理任务 “ExplaGraphs”，通过判断论点是否支持信仰，并生成一个公共案例加强的非平凡、完整和明确的解释来预测它的态度。我们采用了一种新的 Create-Verify-And-Refine 图形收集框架，改进了图形质量，然后提出了一个自动度量和人类评估的多层次评估框架，最后呈现了多种常识增强的图形生成模型作为本任务的强起点。

Apr, 2021

本文提出了一种利用常识知识图谱，将结构信息和语义信息结合到推理中，提高语言模型在生成任务中处理常识知识的准确性。通过动态多跳推理模块，本文建立了 Generation with Multi-Hop Reasoning Flow (GRF) 模型，实验表明该模型在三个包含常识知识推理的生成任务中的表现优于现有基线模型。

Sep, 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

该研究旨在通过探究响应生成模型对常识推理的理解程度以诱发适当的响应来缩小当前响应生成模型和人类沟通能力之间的差距，探测 RG 模型的常识推理能力并提出了两个探针设置来评估 RG 模型的常识推理功能。结果表明，模型无法捕获常识解释和响应之间的逻辑关系，领域内数据的微调和增加模型规模并不能带来对 CSR 的理解，这一研究有望激励更多的研究使 RG 模型效仿人类推理过程以实现流畅的人工智能交流。

Apr, 2021

本论文中，我们探讨如何运用常识知识图谱提高条件文本生成模型的综合性能，通过从 Conceptnet 中提取常识关系，将这些关系注入到 Unified Language Model (UniLM) 中，并通过输出约束强制实施词汇要求，以提高生成文本的语义正确性和符合人类理解，从而实现了匹配词性和完全概念覆盖的要求。

Dec, 2020

本篇论文提出一种新的对话生成模型，ConceptFlow，其利用常识知识图谱来显式地模拟对话流程，将对话基于概念空间来确定可能的转移方向，并通过图堆叠网络进行对话潜在流程的指导，以生成更有意义、更有语义信息的回应，证明了其在 Reddit 对话实验中的有效性，而且使用的参数数量比其他知识感知对话模型和基于 GPT-2 的模型少 70％。

Nov, 2019

本文提出了一种基于知识库和维基百科文本的异构证据自动提取方法以回答常识问题，通过构建图形结构并使用图形卷积网络对邻居信息进行编码并利用图形注意力机制聚合证据来预测最终答案，成功地提高了 CommonsenseQA 数据集上的准确性达到了最先进水平。

Sep, 2019

该研究提出了一种基于知识图谱的语义推理框架，以解决常识性问题，并通过引入 KagNet 模型和 ConceptNet 外部资源，取得了在常识 QA 数据集上的最佳表现。

Sep, 2019

利用外部知识概念辅助 CommonSense 生成，通过原型建模和知识注入方法显著提高了性能。

Dec, 2020

本文提出一种利用后验正则化来促进建模向区分流畅解释和可信解释的逻辑推断模型，以实现无样本学习的非监督归纳通用推理的方法，并在多个推理数据集上进行实验，结果表明此方法在零样本学习上表现出色，优于直接应用预训练语言模型和其他知识增强方法。

May, 2023