Nov, 2020

通感知识获取的高级语义学

PDF
TL;DR本文介绍了一种称为 Ascent 的方法，用于自动构建具有先进表达能力、高精度和高召回率的常识知识库，并且超越了之前的三元组限制，同时捕获了具有子组和方面的复合概念，并通过语义方面完善了断言。
commonsense knowledgeascentknowledge baseopen information extractionsemantic facets
发现论文，激发创造
  • 大规模 Web 内容的常识知识精炼

    ASCENT++ 是一个自动构建常识知识库的方法，可以捕捉到复合概念并通过 OpenIE、Typicality 和 Saliency 评分进行清洗和排序，以表达常识的时间和空间有效性，并且使用广泛的网页内容提高覆盖率，评估结果表明其在常识推理和问题回答中的优势。

    Nov, 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

  • 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

  • UnCommonSense: 关于日常概念的信息性负知识

    本文提出了 UNCOMMONSENSE 框架，以材料化负面常识陈述，给定一个目标概念，识别 CSKB 中可比较的概念，通过局部封闭世界假设将可比较概念的正陈述用于生成负陈述候选项，并对其进行筛选和排序。该方法超出了现有技术在内在和外在评估方面的表现，并发布了大量的信息性否定数据集作为未来研究的资源。

    Aug, 2022

  • 使用有效的评估数据集对常识知识库填充进行基准测试

    本论文提出了一个新的大规模的数据集来评估神经模型在通识推理任务中的表现，并提出了一种基于图形的归纳式通识推理模型。实验结果表明，推广通识推理任务是一项困难的任务，训练时表现出高准确性的模型在评估集上表现不佳，与人类表现之间存在巨大的差距。

    Sep, 2021

  • EntailE: 建立在常识知识图谱完备性基础上的文本蕴含

    本文提出了一种采用文本蕴含来找到共享常识知识图谱节点之间的隐式蕴含关系的方法，以有效地增加相同概念类中节点之间连接的子图密度，从而提高 CSKG 完成任务的性能。

    Feb, 2024

  • 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

  • 通过概念化获取和建模抽象常识知识

    通过使用抽象概念的方法，建立了一个可适用于人类常识推理的抽象通识知识图谱，并通过基于语言特征的启发式规则和神经模型计算与验证其抽象知识的有效性。

    Jun, 2022

  • 基于视觉的常识知识获取

    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。

    Nov, 2022

  • 大规模提取文化常识知识

    本文提出了一个用于在大规模上提取高质量文化常识知识 (CCsk) 的端到端方法，名为 CANDLE，该方法从 Web 语料库中提取 CCsk 断言并将它们组织成相符的类群，包括地理、宗教、职业等 3 个领域，多个文化方面。通过分类过滤和趣味分数评估方法，CANDLE 优于先前的作品，并且实验评估演示了 CCsk 对 GPT-3 语言模型带来的好处。

    Oct, 2022