Feb, 2024

EntailE: 建立在常识知识图谱完备性基础上的文本蕴含

PDF
TL;DR本文提出了一种采用文本蕴含来找到共享常识知识图谱节点之间的隐式蕴含关系的方法，以有效地增加相同概念类中节点之间连接的子图密度，从而提高 CSKG 完成任务的性能。
commonsense knowledge graph completioncskgsemantic understandingtextual entailmentcskg completion tasks
发现论文，激发创造
  • 基于归纳学习的常识知识图谱补全

    本论文提出了一种名为 InductivE 的学习框架，旨在解决 Commonsense Knowledge Graph（CKG）完成中可能出现的未见过实体的问题，该框架直接从原始实体属性 / 文本计算实体嵌入，并由一个自由文本编码器、一个图编码器和一个 KG 完成解码器组成。实验证明，InductivE 在 ATOMIC 和 ConceptNet 基准测试中都显著优于现有基线方法。

    Sep, 2020

  • 文本蕴涵和软可传递性的蕴涵图学习

    本研究提出了一种名为 EGT2 的两级方法，通过识别由类型 CCG 解析谓词形成的模板句子之间的可能文本蕴含关系来学习局部蕴含关系，其依赖于三种新颖的软传递性约束来考虑蕴含结构中的逻辑传递性，实验证明此方法可以很好地模拟蕴含图中的传递性，从而减轻了蕴涵结构稀疏的问题，并显著提高了当前最先进方法的表现。

    Apr, 2022

  • 通过符号模型弥合神经蕴含中的知识差距

    本文介绍了一种使用外部结构化知识库填补科学知识差距的模型，将标准神经模型与知识查找模块相结合，在使用科学知识库和文本先验信息验证子事实后，NSnet 模型在 SciTail 数据集上比基准模型性能提高了 5%。

    Aug, 2018

  • 文本蕴含基础

    本文研究了文本蕴涵中的语义关系 —— 通过可能世界来分析前提和假说之间的关系，同时结合图像进行多模态的分析，结果表明文本和视觉信息相结合可以更好地进行文本蕴涵，但当前多模态模型在 “接地” 方面还不够优化。

    Jun, 2018

  • 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

  • 在对象预测中进行有效三元验证的文本蕴涵

    使用文本蕴涵来验证从语言模型通过填充式语句中提取的事实，结果表明基于文本蕴涵的三元验证改进了语言模型的预测能力。

    Jan, 2024

  • 在预训练模型中加入常识知识图谱以进行社交常识任务

    该研究提出了两种方法，通过外部常识知识图谱，隐式或显式地融入到预先训练好的自然语言处理模型中，以提高社交智能，这种方法对社交常识推理任务 SocialIQA 的表现在有限和完整的训练数据制度下都表现出良好的效果。

    May, 2021

  • 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

  • 通识知识图谱：CSKG

    本文介绍了五个原则来整合七个主要源的常识知识，创建第一个集成的 CommonSense Knowledge Graph（CSKG），并显示其各种文本和图形嵌入。同时，阐述了 CSKG 可以提供证据来支持下游推理和语言模型的预训练，并公开了 CSKG 及其所有嵌入以支持常识知识整合和推理的进一步研究。

    Dec, 2020

  • 通过经验文本表示的语义特征实现文本蕴涵识别

    本文提出了一种新的基于阈值的语义文本表示方法，并结合机器学习算法应用语义和词汇特征对文本 - 假设对进行分类，该技术有效地丰富了文本的语义信息，在文字蕴涵分类任务中在意义理解方面的表现明显优于已知方法

    Oct, 2022