Oct, 2022

Dense-ATOMIC: 在 ATOMIC 基础上构建密集连接和多跳常识知识图谱

PDF
TL;DR本文提出了一种基于关系预测模型的常识知识图谱完备性方法，用于填补常识知识图谱中双方之间缺失的知识链接，并构建了一种密集连接和多跳的常识知识图谱 Dense-ATOMIC，实验证明该方法提高了 ATOMIC 的效率。
发现论文，激发创造
  • 关于符号和神经常识知识图谱的 COMET-ATOMIC 2020

    本文提出一个新的评估框架，以测试知识图谱的效用，该框架基于从中可以从中学习隐式知识表征的效果。基于这个新目标，我们提出了一个新的通用常识知识图谱 ATOMIC 2020，其中包含预训练语言模型中不易获得的知识，并用其他主要的常识知识资源进行比较。通过人类评估，我们显示出基于 ATOMIC 2020 训练的知识模型的少数情况下的表现比 GPT-3（175 亿个参数）使用 430 倍少的参数。

    Oct, 2020

  • ATOMIC: 机器常识图谱用于 If-Then 推理

    ATOMIC 是一种以常识推理为组织形式的图表，其中包括了 877k 个基于变量的 if-then 关系类型，使用这种类型，神经模型可以获得简单的常识能力并进行推理，证实了将多任务模型引入到 if-then 关系结构中可以得到比独立训练的模型更准确的推论。

    Oct, 2018

  • 基于结构和语义上下文的常识知识库完善

    该研究提出了新的知识库补全模型，它可以通过利用节点的结构和语义上下文来解决本体库完整性问题。该模型不仅学习了本地图结构，而且还利用了预先训练的语言模型的转移学习来增强对知识的上下文表示，进而显著提高了链路预测能力，并对常识知识的类型进行了分析。

    Oct, 2019

  • DISCOS: 架桥于话语知识与常识知识之间

    本文提出了一种基于 DISCOS 算法的常识知识获取框架，能够将更昂贵的复杂常识知识自动转化为更可承担的语言知识资源，以此来获取大规模常识推理知识。此方法在 novelty 和 diversity 方面表现优越，拥有着与监督学习方法相当的质量。

    Jan, 2021

  • COMET: 用于自动知识图谱构建的常识 Transformer

    我们提出了 COMET，一种生成通用语言的丰富多样的常识知识描述的模型，并在 ATOMIC 和 ConceptNet 这两个通用常识图的自动知识库构建方面取得了优秀的结果。

    Jun, 2019

  • 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

  • CAKE: 一种可扩展的常识感知框架，用于多视角知识图完备化

    提出了一种基于常识感知的知识图谱嵌入框架，能够从实体概念中自动提取常识，利用其拓展有效自我监督，同时通过常识和事实视角的链接预测实现高质量负采样，提高了知识图谱嵌入模型的性能。

    Feb, 2022

  • 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

  • Few-shot 知识图谱补全中的结构和常识知识调查

    本研究通过对少样本知识图谱自动补全任务的学习方法、任务应用、以及未来研究领域的调查和总结，提出了一种使用图形表示学习和少样本学习优势的 FKGC 方法，以期解决常规 KG 和 CKG 补全任务中长尾关系及新关系的问题，并在不同领域的预测任务中应用 FKGC 模型。

    Jan, 2023