Apr, 2021

ASER：通过高阶选择性偏好获取大规模的常识知识

PDF
TL;DR本文提出了基于选择偏好原则的常识知识采集方法，构建了基于事件（activity，state 和 event）的大规模知识图谱 ASER，并使用概念化模块极大地拓展了其覆盖面。
commonsense knowledgeselectional preferenceknowledge grapheventuality-basedconceptualization module
发现论文，激发创造
  • ASER: 一个大规模的事件性知识图谱

    从 11 亿标记的非结构化文本数据中提取的 ASER（活动、状态、事件及其关系）是一个大规模的事件知识图谱，包含 5 类 15 种关系类型，194 百万个事件和 6400 万个事件之间的关系，填补了现有大规模知识图的空白。

    May, 2019

  • SP-10K: 一个用于选择偏好获取的大规模评估集

    通过介绍 SP-10K，提出一种更好的方法评估 SP 模型，并通过评估三种 SP 获取方法，探讨 SP-10K 与常识知识的关系，证明了提出新的 SP 关系对于处理短语代词共指问题的重要性。

    May, 2019

  • 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

  • 通感知识获取的高级语义学

    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。

    Nov, 2020

  • ASPER：用于联合实体关系抽取的答案集编程增强神经网络模型

    本文介绍了 ASP-enhanced Entity-Relation extraction (ASPER) 方法，通过将 Answer Set Programming (ASP) 中的实际知识（表示为事实）和派生知识（表示为规则）与神经网络模型相结合，来联合识别实体和关系并从中学习。实验结果表明，ASPER 方法在两个真实数据集上均优于三个基线模型。

    May, 2023

  • TransOMCS: 从语言图到常识知识

    本文探讨了从语言图中挖掘常识知识的实用方法，将由语言模式获得的便宜知识转化为昂贵的常识知识，转换为与 ConceptNet 相同的表示方式的 TransOMCS 资源，并证明了语言知识对常识知识的可转移性和提出的方法在数量、新颖性和质量方面的有效性。

    May, 2020

  • 在线学习概率事实演算理论在答案集编程中的应用

    介绍了一种基于 ASP 的、能够通过权重规则进行概率推理的复杂事件识别系统，可应用于活动识别等领域，并与多种现有算法进行了比较，并证明了其在效率和预测性能方面的优越性。

    Mar, 2021

  • 常识知识图谱上的逻辑查询复杂推理

    通过从现有的常识知识图谱（CSKG）中采样多跳逻辑查询，并使用手工规则和大语言模型进行言语化，我们提出了 COM2（复杂常识）数据集，训练于此的语言模型在复杂推理能力方面取得了显著提升，从而在问题回答和生成常识推理的任务中表现出了增强的零样本性能，而无需昂贵的人工注释。

    Mar, 2024

  • 带关系预测器的神经符号常识推理器

    本篇论文提出了一种神经符号推理器，可以处理大规模的动态常识知识图谱，通过学习逻辑规则，提供可解释性的预测，并在 CKGs 的链接预测任务上表现优于现有的技术。

    May, 2021

  • EventGround: 基于事件为中心的知识图谱的叙事推理

    通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。

    Mar, 2024