Mar, 2024

EventGround: 基于事件为中心的知识图谱的叙事推理

PDF
TL;DR通过将自由文本与事件中心知识图关联，本研究提出了一个综合框架 EventGround，旨在解决上下文化叙事推理的问题，并通过基于图神经网络和大型语言模型的图推理模型，在取得了最新成果的同时提供可解释性证据。
narrative reasoningeventuality-aware objectivesknowledge graphscontextualized narrative reasoninggrounded knowledge
发现论文，激发创造
  • 使用事件知识图谱和自然语言处理的全面事件表示

    利用自然语言处理技术，结合知识图谱的构建和上下文关系，利用 Transformer 技术从文本中提取事实信息以构建全面的基于图的事件表示。

    Mar, 2023

  • 世事不变，以叙事视角丰富事件中心的知识图谱

    本文提出了一种新颖而轻量级的事件中心知识图谱结构，允许查询包括视角依赖和叙事方面，并证明了主观归属的有效结合，展示了为叙事查询处理专门定制的索引的好处。

    May, 2022

  • 分层事件概念化

    本研究针对事件接地任务进行了扩展，需要从知识库中处理层次事件结构，通过辅助层次损失提出了一种检索方法，实验结果表明了层次损失的有效性并演示了系统在未见事件中发现层次性的能力。

    Feb, 2023

  • 什么推动了故事发展？从常识推断出作为未来事件生成提示的解释

    该论文提出了一种新型的可解释的未来事件生成框架 Coep，该框架集成了两种类型的事件知识，包括直接事件 - 事件关系的序列知识和反映事件之间的心理联系的推理知识，并设计了两个模块 Im 和 Gm，以帮助生成未来事件。

    Jan, 2022

  • 将常识世界模型注入图谱知识

    本文研究在一个开放式世界的文本冒险游戏中生成叙事的设定，使用游戏状态的图形表示来训练模型，可以消耗和输出基于图形的表示和自然语言描述和动作。通过结合众包和模拟游戏玩法构建一组大量的任务和复杂的动作数据集来构建这样的模型，发现通过在图形上下文和目标上训练可以改善动作叙述模型的一致性，即使在测试时没有图形。这在自动指标和人类评估中都得到了证明。我们计划公开代码、新一组任务和最佳表现模型。

    Jan, 2023

  • 利用隐式逻辑限制在事件性知识图谱上进行复杂查询回答

    本文研究基于事件中心知识图谱的深度神经网络复杂查询方法，提出了复杂事件查询回答（CEQA）框架，利用定理证明器填补实体中心查询系统无法推理的逻辑不确定性，实现了在具有时间维度的事件中心知识图谱上的准确推理。

    May, 2023

  • 迷失于递归中：在知识图谱中挖掘丰富的事件语义

    复杂事件的故事、事件中心的知识图谱、增量提示技术、概念验证的有效性和未来研究方向。

    Apr, 2024

  • 通过博客和电影推断细粒度事件因果关系

    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

  • 计算机故事理解的关键：事件因果关系

    利用大型语言模型 (LLM) 的最新进展，我们提出了首个事件因果识别方法，从 GPT 中设计特定提示以提取事件因果关系。根据 GLUCOSE 数据集中的人工注释事件因果关系，我们的技术表现与监督模型相当，同时易于推广到不同类型和长度的故事。提取的因果关系在故事质量评估上带来了 5.7% 的提升和 8.7% 的故事视频文本对齐改进，我们的发现表明事件因果在计算机故事理解中有巨大的潜力。

    Nov, 2023

  • EventKG：一个多语言的以事件为中心的时序知识图谱

    本篇研究介绍了一个多语言的以事件为中心的知识图谱 EventKG，其中包括超过 690,000 个当代和历史事件以及超过 2.3 百万的时间关系，该知识图谱填补了现有知识库在事件和时间关系上的不足。

    Apr, 2018