- 神经比较学：比较知识的神经符号精炼
本文研究使用 GPT-2 等较小的语言模型获取比较知识的任务，提出一种新的比较知识提取框架 NeuroComparatives，并通过对所获得的 8.7M 个关系的人类验证，证明其优于现有资源（包括 GPT-3），这一结果表明适用于较小语言 - 大语言模型中知识的生命周期：综述
本研究调查了预训练语言模型作为基于知识的系统的生命周期，并系统地审查了知识生命周期的每个阶段的现有研究，总结了主要挑战和当前限制，并讨论了未来的方向。
- 数据和知识获取原理与实践研讨会 2022 (PKAW 2022)
PKAW2022 将继续聚焦于知识获取和机器智能领域，并欢迎在人工智能技术和应用，以及人类和大数据驱动的多学科方法的贡献。
- 自主学习者之路
本文提出了一种新的理论方法，通过智能系统实现领域知识获取。我们介绍了一种混合模型，通过一个知识图谱数据库存储和推理最小输入知识，并通过逻辑神经网络学习新信息。我们研究了该系统处理新数据的行为，并展示最终系统能够丰富当前的知识并将其扩展到新领 - EMNLP新冠疫苗可预防 Covid，牛津疫苗则是在牛津制造的！—— 关于专有名词复合词的语义解释
通过各种神经模型，尤其是针对基本名词的共同知识，我们可以自动生成专有名词复合词的语义解释。将这些解释与现有的 Open IE 系统集成，可以获得更高的收益率和更高的准确性。
- CIKQA：一种基于知识循环的统一问答方法学习常识推理
本文提倡将 commonsense knowledge acquisition 和 inference over commonsense knowledge 视为两个不同的任务，通过人类标注的方式评估模型的 commonsense infe - 本体论在推荐系统中计算语义相似度的应用
本文探讨了基于本体论的语义相似性计算在推荐系统中的应用。
- 关于在持续预训练中有效地学习知识
通过定义知识裸露和无知识 token 并对样本进行专业标注，该研究发现 PLMs 在从非结构化文本中获取知识方面存在困难并开发了两种解决方案来帮助模型进行更多的知识自学习，实验证明了这些方法的有效性，是第一次探索做到完全自我监督的知识连续预 - K-VQG: 基于知识的视觉问题生成，用于常识获取
该研究通过构建一个基于知识的 VQG 数据集 K-VQG，引入了一个知识获取的角度，并开发了一种新的 VQG 模型，实验结果表明，该模型在 K-VQG 数据集上的表现优于现有的模型。
- 解释性学习：神经网络中超越经验主义
该论文介绍了一种基于符号序列及其解释的机器学习框架 —— 解释性学习，提出了该领域的学习方法，并引入了一个演示环境（Odeen），在其中比较了基于解释性学习与传统机器学习范式的方法（如 Transformer）在发现新现象的解释方面的性能表 - EMNLP基于实体的文档级信息提取作为模板生成
本文提出了一种基于生成式框架的文档级实体提取方法，该方法能够高效地捕获跨多实体的相关信息，使用了一种名为 TopK Copy 的交叉注意力引导复制机制，实验结果表明此方法达到了科技论文数据集上的新的最优结果。
- ICLR问与探索：基于探求驱动的实地问答
本文提出基于有足实体依据的问答的好奇心算法，通过对自然语言问题的回答获得对环境物理属性和空间关系的了解，为异馆收益任务提供了宝贵的好奇心奖励，从而解决了现有好奇心算法的局限性。
- 从时间连续图像学习上下文因果关系
本文探讨了从视觉信号中学习上下文因果关系的可能性，提出了高质量数据集 Vis-Causal，并展示了通过好的语言和视觉表征模型和充足的训练信号，可以从视频中自动发现有意义的因果知识。
- 知识图谱概论：表示、获取与应用
本文综合研究了知识图谱的几个方面，包括结构学习、知识获取和补全、时间知识图谱和基于知识图谱的应用，并提出了新的分类和分类法，以促进未来的研究。
- EKT：面向体能训练的知识跟踪模型用于学生成绩预测
本文提出了一种基于深度学习的学生成绩预测模型，利用 Exercise-Enhanced Recurrent Neural Network 和 Exercise-aware Knowledge Tracing 等方法，探索了学生知识获取情况和 - ACL生成问答层次结构
本文介绍了一种新颖的文本生成任务 ——SQUASH（Specificity-controlled Question-Answer Hierarchies），其将输入文档转换为一组问题 - 答案对的层级结构，以实现读者自主了解与探索具体信息， - 社区问答中专家推荐的调查
本文概述了社区问答中专家推荐的研究进展和现有技术，总结并比较了现有方法的优缺点，并讨论了未来研究方向和面临的挑战。
- KDD学习提问：通过 20 个问题获取知识
本文提出了一种基于 20 Questions 策略、采用 Learning-to-Ask 框架结合深度强化学习和概率矩阵分解的方法，可以有效地实现无人值守高准确度知识获取。基于实验数据结果，Learning-to-Ask 方法成功地使得智能 - 从人类到自主引导代理的知识获取方法的多学科综述
本文综述了人类活动系统中的知识获取方法，并提出了三类方法的分类：人力代理、人类启发代理和自主机器代理方法。作者们指出，这一分类的动机源于人类活动系统的结构、含义和目的随时间的不断变化，这也推动了研究人员和实践者对知识获取的努力。最后作者们讨 - ACL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。