ARN：基于叙事的类比推理
计算与语言
2024-09-05 v4
摘要
作为能够实现信息跨领域可迁移性的核心认知技能，类比推理已在人类和计算模型上得到广泛研究。然而，尽管类比的认知理论常聚焦于叙事并研究表层、关系与系统相似性的区别，现有自然语言处理工作则关注较窄，仅限于词对之间的关系类比。这一差距带来一个自然的问题：最先进的大语言模型（LLMs）能否检测叙事之间的系统类比？为深入探究此问题并将基于词的关系类比扩展至关系系统类比，我们设计了一个综合计算框架，将主导的类比理论操作化，利用叙事要素创建表层与系统映射。借助这些映射之间的相互作用，我们构建了一个用于叙事类比推理（ARN）的二分类任务与基准，涵盖四类远（跨领域）/近（领域内）类比与非类比。我们表明，尽管所有 LLM 在很大程度上都能识别近类比，但即使在零样本设置下，最大的模型也难以处理远类比，其中 GPT4.0 得分低于随机水平。通过已解示例与思维链推理引导模型可增强其类比推理能力。然而，即使在少样本设置下，最佳模型也仅达到随机与人类之间的中间水平，因此 ARN 为计算类比推理器开辟了令人振奋的方向。
引用
@article{arxiv.2310.00996,
title = {ARN: Analogical Reasoning on Narratives},
author = {Zhivar Sourati and Filip Ilievski and Pia Sommerauer and Yifan Jiang},
journal= {arXiv preprint arXiv:2310.00996},
year = {2024}
}