DISCOS：弥合话语知识与常识知识之间的鸿沟
计算与语言
2021-02-19 v2 人工智能
摘要
常识知识对于人工智能系统理解自然语言至关重要。以往的常识知识获取方法通常依赖于人工标注（例如 ATOMIC）或文本生成模型（例如 COMET）。人工标注能提供高质量的常识知识，但其高成本往往导致规模较小且覆盖率低。另一方面，生成模型有潜力自动生成更多知识。然而，机器学习模型往往对训练数据拟合良好，因此难以生成高质量的新颖知识。为克服以往方法的局限，本文提出一种替代性的常识知识获取框架 DISCOS（从话语到常识，DIScourse to COmmonSense），其将昂贵的复杂常识知识自动填充到更易获取的语言学知识资源中。实验表明，我们无需任何额外标注工作，即可将大规模话语知识图谱 ASER 中关于事件的 discourse 知识转换为 ATOMIC 中定义的 if-then 常识知识。进一步研究表明，DISCOS 在新颖性和多样性方面显著优于以往的监督方法，且质量相当。总体而言，我们可通过在 ASER 核心部分上填充 ATOMIC，获取 3.4M 条类 ATOMIC 的推断常识知识。代码和数据见 https://github.com/HKUST-KnowComp/DISCOS-commonsense。
引用
@article{arxiv.2101.00154,
title = {DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense Knowledge},
author = {Tianqing Fang and Hongming Zhang and Weiqi Wang and Yangqiu Song and Bin He},
journal= {arXiv preprint arXiv:2101.00154},
year = {2021}
}
备注
WWW 2021 paper. 12 pages and 6 Figures