通过符号模型弥合神经蕴涵中的知识鸿沟
计算与语言
2018-09-05 v2 人工智能
摘要
大多数文本蕴涵模型关注前提文本与假设之间的词汇鸿沟，却很少关注知识鸿沟。我们聚焦于在科学蕴涵任务中填补这些知识鸿沟，方法是借助一个外部结构化科学知识库（KB）中的科学事实。我们的新架构将标准神经蕴涵模型与知识查找模块相结合。为便于该查找，我们提出对假设进行事实级分解，并将所得子事实针对文本前提与结构化 KB 进行验证。我们的模型 NSnet 学习聚合来自这些异构数据格式的预测。在 SciTail 数据集上，NSnet 比两种预测的更简单组合高出 3%，比基础蕴涵模型高出 5%。
引用
@article{arxiv.1808.09333,
title = {Bridging Knowledge Gaps in Neural Entailment via Symbolic Models},
author = {Dongyeop Kang and Tushar Khot and Ashish Sabharwal and Peter Clark},
journal= {arXiv preprint arXiv:1808.09333},
year = {2018}
}
备注
EMNLP 2018