常识知识（Commonsense Knowledge）对于人工智能系统理解自然语言至关重要。现有的常识知识获取方法通常依赖于人工标注（例如ATOMIC）或文本生成模型（例如COMET）。人工标注可以提供高质量的常识知识，但是其高昂的费用导致获取的知识规模相对较小且覆盖率较低。另一方面，语言生成模型具有自动生成更多知识的潜力。然而，机器学习模型通常overfit训练数据而无法生成高质量的新知识，这也会导致无法覆盖全面的常识知识。为了解决先前方法的局限性，本文提出了另一种常识知识获取框架DISCOS（从DIScourse到COmmonSense），该框架自动从更便宜的语言知识资源中挖掘昂贵的复杂常识知识。实验表明，我们可以成功地将discourse knowledge从大型discourse knowledge graph， ASER 中转换为ATOMIC中定义的inferentialif-then常识知识，而无需进行任何人工标注。进一步的研究表明，DISCOS在生成新颖和多样的常识知识上表现远优于已有的supervised learning方法。通过将ATOMIC中的知识populate到ASER的核心部分ASER-core中，我们总共可以获得3.4 Million ATOMIC形式的inferential常识知识。
- 论文名称：DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense Knowledge
- 论文链接：https://arxiv.org/abs/2101.00154
- Github链接： https://github.com/HKUST-KnowComp/DISCOS-commonsense
感兴趣的可以戳原文或论文链接。
内容中包含的图片若涉及版权问题，请及时与我们联系删除
评论
沙发等你来抢