ASER：基于事件性高阶选择偏好的大规模常识知识获取
人工智能
2022-01-19 v2 计算与语言
摘要
常识知识获取与推理长期以来一直是人工智能的核心问题。然而，过去一直缺乏可扩展的方法来收集常识知识。在本文中，我们提出基于选择偏好来制定收集常识知识的原则。我们将选择偏好的定义从一跳语言句法关系推广到语言图上的高阶关系。与以往的常识知识定义（如 ConceptNet）不同，选择偏好（SP）知识仅依赖于语言图上的统计分布，可以利用现代工具从非标注语料库中高效且准确地获取。遵循这一原则，我们构建了一个大规模的基于事件性（涵盖活动、状态和事件的语言学术语）的知识图谱 ASER，其中每个事件性表示为一个依存图，它们之间的关系是浅层篇章解析中定义的篇章关系。所收集语言图上的高阶选择偏好反映了各类常识知识。此外，受人类通过将观察到的事件抽象到更高层次从而将其知识迁移到新事件这一观察的启发，我们提出了一个概念化模块来显著提升 ASER 的覆盖率。总体而言，ASER 在 4.38 亿个事件性之间包含 6.48 亿条边。在使用基于选择偏好的概念-实例关系知识库 Probase 进行概念化后，我们的概念图包含 1500 万个概念化事件性以及它们之间 2.24 亿条边。我们提供了详细的分析以证明其质量。所有收集的数据、API 和工具均可在 https://github.com/HKUST-KnowComp/ASER 获取。
引用
@article{arxiv.2104.02137,
title = {ASER: Towards Large-scale Commonsense Knowledge Acquisition via Higher-order Selectional Preference over Eventualities},
author = {Hongming Zhang and Xin Liu and Haojie Pan and Haowen Ke and Jiefu Ou and Tianqing Fang and Yangqiu Song},
journal= {arXiv preprint arXiv:2104.02137},
year = {2022}
}