COLINGNov, 2020

COSMO: 基于条件 SEQ2SEQ 的混合模型，用于零样本常识问答

PDF
TL;DR本研究介绍了一种基于 Condition SEQ2SEQ 混合模型（COSMO）来生成具有动态性和多样性的内容的方法，用于上下文相关的通识推理，通过生成通识知识图谱，以实现零样本通识问题回答，并且实验结果表明，与现有技术相比，COSMO 在该领域性能提高了 5.2%。
发现论文，激发创造
  • 零样本常识问答的动态神经符号知识图谱构建

    通过动态生成常识知识图谱，我们提出了一种零 - shot 通识问答的方法，能够推理涉及文本场景中因果关系、影响和状态等方面的隐含世界知识，并实现了生成语义知识结构的功能，从而有效地推理出正确答案。

    Nov, 2019

  • 多跳通识知识注入框架在零 - shot 通识问题回答中的应用

    本文提出了一种新颖的多跳常识知识注入框架，利用多跳推理范式探索符合语言逻辑的知识图关系，并进一步提出了基于知识图的两种多跳问答生成方法。通过对合成 QA 数据集进行对比学习，我们的方法注入了多跳常识知识。在五个常识问题回答基准测试上进行的大量实验表明，本框架取得了最先进的性能。

    May, 2023

  • 基于知识驱动的数据构建在常识问答中的零样本评估

    本文提出了一种基于神经符号框架的零样本问题回答方法，利用预训练模型的外部知识资源，获得了在不同任务中的一致性提升，并且在任务结构保持的同时还生成了公平和信息丰富的问题，从而提高了语言模型的学习效果。

    Nov, 2020

  • 基于神经常识知识和符号逻辑规则的多跳对话推理

    本文提出了一种用于对话代理的零样本通识推理系统，可以通过基于转换器的生成通识知识库找到用户命令中未明示的假设，同时提出了一种动态问题生成策略来从人类用户中提取缺失的知识，实验表明，相比现有技术，成功率提高了 35%。

    Sep, 2021

  • 基于多个知识图谱的模块化迁移学习用于零样本常识推理

    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

  • CoSe-Co: 文本条件生成通用常识上下文

    提出了一种基于符号知识图谱的预训练语言模型生成任务相关信息的 CommonSense Contextualizer (CoSe-Co) 模型，该模型结合句子作为输入文本的上下文信息，以构建一种新的数据集用于训练 CoSe-Co 模型，并在多项选择 QA 以及常识推理任务中展现出显著提高的性能

    Jun, 2022

  • CAR：基于概念增强的推理器用于零样本常识问题解答

    提出了一种 Zero-shot Commonsense Question Answering 任务的新方法（CAR），通过概念抽象化和知识三元组，大大增加了 CommonSense Knowledge Bases 的语义覆盖范围，使负样本的选择更有效，从而比 GPT3.5 等方法在处理零样本常识情境问题时表现更出色。

    May, 2023

  • 通过常识知识集成进行零样本场景图关系预测

    本研究提出了一种结合常识知识的场景图关系预测框架 COACHER，以填补现有场景图生成框架中对未知三元组建模能力的不足，特别是对零样本关系预测的能力，通过在外部常识知识图中建模实体周围的邻域和路径并将其与目前最先进的 SGG 框架结合，进行了广泛的定量评估和定性案例研究，证明了该方法的有效性。

    Jul, 2021

  • Cosmos QA: 带有上下文常识推理的机器阅读理解

    本文介绍了 Cosmos QA，这是一个大规模的基于常识的阅读理解数据集，旨在帮助机器阅读人们日常故事时理解其中的隐含意思，并提出了一种新的神经网络结构来处理此类问题。实验结果表明，机器与人类的阅读理解性能存在明显差距，因此还需要进一步研究。

    Aug, 2019

  • 基于语义的无监督常识问答方法

    本文提出了一种新颖的基于语义的问题回答方法 (SEQA)，该方法使用生成模型先产生一组可能的答案，然后基于这些可能的答案和问题在语义上的相似性来选择正确的答案。该方法在无监督的情况下，通过对四个基准数据集的实验验证了其有效性和健壮性，并取得了最佳结果。

    May, 2021