EMNLPApr, 2021

ExplaGraphs：针对结构化常识推理的解释图生成任务

PDF
TL;DR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。
common sense reasoningexplagraphsstance predictiongraph generationevaluation framework
发现论文，激发创造
  • 基于图的异构外部知识推理用于常识问答

    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

  • 从推理路径提取桥接概念生成常识解释

    本文提出了一种方法，它利用外部常识知识建立一个语句与桥梁概念之间的连接，从而生成对应的解释，并在对常识解释生成任务中得到了比现有模型更好的表现。

    Sep, 2020

  • 通过合成图的生成式预训练生成解释图

    该研究提出了一种新的预训练框架 EG3P，通过生成式预训练技术和自动语料库合成策略来缩小自然语言处理和结构化图形之间的差距，进而有效地帮助生成更好的解释图，其效果显著优于所有基线系统。

    Jun, 2023

  • KagNet: 基于知识的图网络用于常识推理

    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

  • 一种基于图导引的开放式通识问答推理方法

    论文通过构建一个与问题相关的知识图谱并采用顺序子图推理过程来预测答案，提出了一种新的模型来解决多跳推理的通识推理问题，提高了在 OpenCSR 数据集上的性能。

    Mar, 2023

  • WorldTree: 支援多跳推理的初级科学问题说明图语料库

    本文介绍了一个构建在科学考试标准化问题上的说明语料库，通过手工构建详细的说明，我们提供了半结构化表格数据集和自由文本训练数据集，从而为自动推理提供了可信的人类可读说明。

    Feb, 2018

  • 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

  • 使用预训练语言模型生成解释图：对比学习的实证研究

    该研究针对预训练语言模型生成结构化输出能力进行分析，提出以节点和边为编辑操作的基本图形干扰方案，有效提升对解释图形的语义和结构精度，并将其应用于对比学习建模中。

    Apr, 2022

  • 基于相似度加权的上下文通识知识图构建，用于知识密集型论证任务

    本文提出了构建上下文常识知识图谱的新方法，使用语义相似性计算知识图谱三元组和文本论点之间的相似度，从而提取连接论点和前提的上下文化路径，并组合成去噪的上下文常识知识图谱来补充没有明确陈述的论证过程，所得结果在评估任务中显示出了很高的正确率。

    May, 2023

  • MetaLogic：带有细粒度结构的逻辑推理解释

    本研究提出了一个综合性基准来研究模型在复杂的现实场景中的逻辑推理能力。我们设计了细粒度的逻辑推理解释形式，并在实验中评估了当前最佳模型在这种新的解释形式上的表现，结果表明即使在巨型模型的帮助下，生成推理图仍然是一个具有挑战性的任务。

    Oct, 2022