从新闻构建和解释因果知识图谱
人类使用因果关系和假设的回顾来进行日常决策、计划和理解生活事件。AI 系统需要更丰富的因果关系表示来支持干预和反事实推理,以提高人类对 AI 系统的理解。Causal Knowledge Graph(CausalKG)框架利用最近的因果关系进展和 KG,提供了一种领域适应型的因果模型,用于表示 KG 中的复杂因果关系,并支持反事实推理和干预,从而实现了领域可解释性。
Jan, 2022
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
从文本中提取相关原因和效果,检测因果关系的任务中,通过对三种序列标记模型进行彻底分析,并将其与基于跨度的因果性抽取方法进行比较,我们发现,与以往的复杂架构的最新模型相比,预训练语言模型(如 BERT)提供了显著的性能提升。我们观察到,基于跨度的模型在所有 4 个来自不同领域的数据集中,对于不同类型的因果短语表现更好。
Aug, 2023
本文介绍了基于 transformer 的 NLP 架构,该架构可以联合提取包括语言描述、定性因果关系、约束限定词、词义在内的知识图谱,以及说明其在真实世界中的准确性和实用性。
Feb, 2022
使用生成性人工智能从因果图生成文本描述的能力得到了实证调查,发现相对于基于事实的图形,因果文本描述在零 - shot 设置下更难生成,但使用少量示例进行模型训练与通过大型策划数据集进行微调获得类似的性能。
Mar, 2024
本研究提出了使用 BERT 模型和条件随机场层从临床记录中提取和分析生物医学知识的端到端方法,包括自然语言处理模型用于命名实体识别和关系提取等步骤,可以用于构建医学知识图谱并用于问题解答。实验结果表明,该方法对于 505 位真实患者的生物医学非结构化临床记录的命名实体识别和关系提取的准确率分别为 90.7% 和 88%。
Apr, 2023
本文主要针对通过两种方法 —— 获取常见事件因果关系的知识库和理解特定故事或宏事件,通过知识获取方法研究以认识第一人称叙述和电影场景描述等叙事类型中的事件之间因果关系。实验结果表明我们的方法可以学习细粒度的因果关系。
Aug, 2017
提出了一种增强学习模型的方案,即通过知识图谱的事实三元组来为自然语言处理任务提供上下文知识,并采用基于卷积的模型来减少关注空间,从而大大提高了文本分类和自然语言推理任务的性能。
Feb, 2018