May, 2023

CAR：基于概念增强的推理器用于零样本常识问题解答

PDF
TL;DR提出了一种 Zero-shot Commonsense Question Answering 任务的新方法（CAR），通过概念抽象化和知识三元组，大大增加了 CommonSense Knowledge Bases 的语义覆盖范围，使负样本的选择更有效，从而比 GPT3.5 等方法在处理零样本常识情境问题时表现更出色。
发现论文，激发创造
  • 多跳通识知识注入框架在零 - shot 通识问题回答中的应用

    本文提出了一种新颖的多跳常识知识注入框架，利用多跳推理范式探索符合语言逻辑的知识图关系，并进一步提出了基于知识图的两种多跳问答生成方法。通过对合成 QA 数据集进行对比学习，我们的方法注入了多跳常识知识。在五个常识问题回答基准测试上进行的大量实验表明，本框架取得了最先进的性能。

    May, 2023

  • 基于知识驱动的数据构建在常识问答中的零样本评估

    本文提出了一种基于神经符号框架的零样本问题回答方法，利用预训练模型的外部知识资源，获得了在不同任务中的一致性提升，并且在任务结构保持的同时还生成了公平和信息丰富的问题，从而提高了语言模型的学习效果。

    Nov, 2020

  • 基于多个知识图谱的模块化迁移学习用于零样本常识推理

    本文提出一种模块化的知识聚合的零 - shot 常识推理框架，可以在多个不同的知识图谱中应用，提高了常识推理性能。

    Jun, 2022

  • 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

  • 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

  • 基于神经常识知识和符号逻辑规则的多跳对话推理

    本文提出了一种用于对话代理的零样本通识推理系统，可以通过基于转换器的生成通识知识库找到用户命令中未明示的假设，同时提出了一种动态问题生成策略来从人类用户中提取缺失的知识，实验表明，相比现有技术，成功率提高了 35%。

    Sep, 2021

  • 用填空翻译和一致性优化实现零样本通识常识问答

    本研究针对常识问题回答（Commonsense question answering）的挑战，提出了利用预训练语言模型中的 “隐含知识”，通过四种翻译方法，探索如何更好地调动语言模型中的常识知识。研究通过在零样本情况下对三个 CQA 数据集进行实验，证明了该方法对增强模型的性能十分有效，并且结合外部知识库进一步提高了模型性能。同时，文章还分析了各种填空翻译方法的不同特点和优缺点。

    Jan, 2022

  • 检索增强通识推理：一种统一方法

    本文提出了一种统一的基于检索增强的通识推理框架（RACo），包括一个新构建的包含 2000 万个文档的通识语料库和训练通识检索器的新策略。对四个不同的通识推理任务进行的广泛评估结果表明，我们提出的 RACo 可以显著优于其他知识增强方法的竞争者，在 CommonGen 和 CREAK 排行榜上取得了新的 SoTA 性能。

    Oct, 2022

  • COSMO: 基于条件 SEQ2SEQ 的混合模型，用于零样本常识问答

    本研究介绍了一种基于 Condition SEQ2SEQ 混合模型（COSMO）来生成具有动态性和多样性的内容的方法，用于上下文相关的通识推理，通过生成通识知识图谱，以实现零样本通识问题回答，并且实验结果表明，与现有技术相比，COSMO 在该领域性能提高了 5.2%。

    Nov, 2020

  • 利用 AMR 学习图路径进行常识推理：我知道你在问什么

    本文提出了一种 AMR-ConceptNet-Pruned 图来解释常识推理的过程并预测 CommonsenseQA 任务的正确答案，同时表明基于 ACP 的模型优于基线模型。

    Nov, 2020