常识知识的维度
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
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
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。
Aug, 2020
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
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
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
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
论文概述了 AI commonsense benchmarks 的发展与应用、common sense 的本质及其在 AI 中的作用、构建 commonsense benchmarks 所服务的目标和理想特征。作者分析了现有 benchmark 的常见缺陷,调查了各种构建 commonsense benchmarks 的方法,总结了 139 个 commonsense benchmarks。然而,作者指出现有 benchmark 存在的空缺和 commonsense 推理的方面,并提出了未来的建议。
Feb, 2023
利用外部常识知识库将模型行为与人类知识对齐,并通过多层次可视化和交互式模型探索和编辑,帮助自然语言处理专家在不同场景中对模型的概念关系推理进行系统且可扩展的可视化分析。
Jul, 2023