关于常识的研究近年来是比较火热的话题，在NLP领域，研究的方向主要有两条线，一是各种benchmark数据集的构建，各种刷榜以测试我们的模型是否具备某些类型的常识；二是常识知识图谱的构建，关注点主要在于如何挖掘常识知识、构建结构化常识知识。两条线的交叉点在于如何利用常识知识辅助各类下游任务。

说到常识知识图谱，大家可能首先想到的是流行的ConceptNet。和常见的知识图谱一样，常识知识图谱用关系三元组（h,r,t)来表示一条常识知识，h和t可以是自然语言组成的单词、短语或者句子，r表示h和t之间的关系。比如在ConceptNet中，关系Causes of的一个三元组是（起床，Causes of，妈妈叫）。

那么除了ConceptNet呢？近年来，得益于众包机制，研究人员们开始构建各种知识图谱（KG）。有正式命名为常识KG的，比如ATOMIC、WebChild；也有包含常识知识但非正式命名为常识KG的知识源，比如WordNet、VerbNet。

所以常识知识领域的研究看起来像是遍地开花，但每个知识源的格式、创建的方法、知识类型的覆盖率都各不相同。对于现存的常识KGs到底包含了哪些类型的常识知识，每个KG对每种类型的覆盖程度是怎样的，以及哪些类型对于下游常识推理任务是有用的，缺乏一个统一的定论。今天给大家介绍的这篇文章，正好填补了这一空缺。

感兴趣的可以继续戳链接。

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