Oct, 2022

多视角的语境常识推理：一个新的数据集和任务

PDF
TL;DR该论文介绍了一个包含多种类型的文本解释的数据集 CICEROv2，提出了一系列的预训练目标来帮助下游任务。结果表明，该论文中的预训练目标对于预训练模型来说是有效的。
contextual commonsense inferencecicerov2 datasetpre-training objectivessemantic diversityt5-large model
发现论文，激发创造
  • CICERO：对话中语境化常识推理的数据集

    本文介绍了解决上下文中常识性推理对话推理问题的方法，并介绍了通过 CICERO 数据集解决相关机器学习生成和判别任务的结果，提出 CICERO 对话性常识知识数据集的价值，并为基于常识的对话推理开辟新的研究方向。

    Mar, 2022

  • CIDER: 对话解释和推理的常识推断

    本文介绍了 CIDER，一种人工筛选的数据集，旨在通过上下文常识推理提取对话中的富含隐含和显式知识三元组的解释，且通过多项基准测试表明此任务的困难性和它为未来有前途的研究提供了重要的基础。

    Jun, 2021

  • CIS2：故事散文通识推理简化评估

    通过 CIS2 任务避免语言生成误导，强调解开自然语言处理中的任务与语言生成之间相互混淆的必要性，并探讨了 Transformer 模型在通识推理任务中的表现限制。

    Feb, 2022

  • 用于上下文常识推理的对抗变换器语言模型

    本文利用 Transformer 模型及多种技巧，解决常识推理领域中缺乏可控性、训练时缺乏常识知识、推理出假命题等问题。通过引入 “提示” 技术控制推理，使用多个常识知识库进行联合推理，并运用 GAN 框架生成同时可信可控的常识命题。

    Feb, 2023

  • 对话人工智能中克服单调常识推理的 ConvoSense

    通过使用 GPT 编译了一个新的合成数据集 ConvoSense，在对话语境中进行常识推理，具有更大的上下文新颖性、更多的推理数量和推理所传达的详细信息丰富，使得针对对话的生成式常识模型在产生合理且具有高新颖性推理时优于之前的数据集训练的模型。据我们所知，ConvoSense 是首个以如此大规模提供如此多新颖推理的数据集。

    Jan, 2024

  • 基于常识的对话生成：一个实证研究

    本研究针对 commonsense 在对话回应生成中的作用进行了实证研究，提出了一种新的对话数据集，并利用 ConceptNet 这个 commonsense 知识库，找到并整合了现有的真实对话数据集。通过使用这些数据集训练响应生成模型，该研究提出的自动评估方法显示出一定合理的评价效果。

    Sep, 2021

  • Event2Mind：针对事件、意图和反应的常识推理

    研究探讨了一种新的常识推断任务，通过构建新的众包语料库并使用神经编码器 - 解码器模型，成功地分析先前未见过的事件并推断参与者的意图和反应，揭示了现代电影剧本中普遍存在的隐性性别不平等问题。

    May, 2018

  • 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

  • SemEval-2020 任务 4 上 CS-NLP 团队对常识推理任务中最先进的自然语言处理深度学习架构的评估

    本文介绍了 SemEval-2020 任务 4：Commonsense Validation and Explanation（ComVE）挑战中的常识推理任务，探讨了几种针对该任务的深度学习方法，并使用多选题式的分类方法来提高模型准确率。研究结果表明，我们的模型在三个子任务中表现良好，并在第二个子任务中获得了很高的排名。同时，我们使用了一种强大的生成模型进行了最后一个子任务的研究，现在还有许多相关的潜在研究方向。

    May, 2020

  • COLA：从因果推断的角度对上下文共识进行因果推理

    本文提出了一种新的任务，即在事件序列（即上下文）中检测常识因果推论，称为上下文常识因果推理，并设计了一个零 - shot 框架：COLA（上下文常识因果关系推理器）来解决任务；实验结果表明，COLA 可以比基线更准确地检测常识因果关系。

    May, 2023