CAT：面向常识推理的情境化概念化与实例化框架
计算与语言
2023-05-11 v2
摘要
常识推理旨在赋予机器类人的情境化推测能力，其泛化极为困难。对于一个几乎不了解“冥想”却熟知“唱歌”的人，他仍可从已有知识“唱歌使人放松”出发，先将“唱歌”概念化为“放松事件”，再将该事件实例化为“冥想”，从而推断出“冥想使人放松”。这一被称为概念归纳与演绎的过程是常识推理的基础，却缺乏标注数据与方法论以改进常识建模。为填补此研究空白，我们提出 CAT（Contextualized ConceptuAlization and InsTantiation，情境化概念化与实例化），一种半监督学习框架，它整合事件概念化与实例化以大规模概念化常识知识库。大量实验表明，我们的框架在两个概念化任务上取得了最先进的性能，且所获抽象常识知识能显著改进常识推断建模。我们的代码、数据与微调模型已公开于 https://github.com/HKUST-KnowComp/CAT。
引用
@article{arxiv.2305.04808,
title = {CAT: A Contextualized Conceptualization and Instantiation Framework for Commonsense Reasoning},
author = {Weiqi Wang and Tianqing Fang and Baixuan Xu and Chun Yi Louis Bo and Yangqiu Song and Lei Chen},
journal= {arXiv preprint arXiv:2305.04808},
year = {2023}
}
备注
ACL2023 Main Conference