面向多面常识知识的联合推理
计算与语言
2020-05-06 v2 人工智能
信息检索
摘要
常识知识（CSK）支撑着从视觉理解到聊天机器人等多种 AI 应用。先前获取 CSK 的工作（如 ConceptNet）已编撰了将概念（如日常物体或活动）与该概念大多数或某些实例所具属性相关联的陈述。每个概念均被孤立于其他概念处理，且对属性的唯一量化度量（或排序）为陈述有效的置信度分数。本文旨在通过引入 CSK 陈述的多面模型及对相互关联陈述集合进行联合推理的方法，克服这些局限。我们的模型捕捉 CSK 陈述的四个不同维度： plausibility（可信性）、typicality（典型性）、remarkability（显著性）与 salience（突出性），并沿各维度进行打分与排序。例如，鬣狗喝水是典型但不突出的，而鬣狗啃食尸骸是突出的。为推理与排序，我们开发了一种带软约束的方法，以耦合在分类层级中相关概念的推断。该推理被表述为整数线性规划（ILP），并利用松弛 LP 的归约代价理论计算信息丰富的排序。该方法应用于多个大型 CSK 集合。我们的评估表明，我们可将这些输入整合为更干净且更具表达力的知识。结果见 https://dice.mpi-inf.mpg.de。
引用
@article{arxiv.2001.04170,
title = {Joint Reasoning for Multi-Faceted Commonsense Knowledge},
author = {Yohan Chalier and Simon Razniewski and Gerhard Weikum},
journal= {arXiv preprint arXiv:2001.04170},
year = {2020}
}
备注
11 pages