匹配任务与行业群以增强常识知识
计算与语言
2025-05-13 v1
摘要
常识知识库（KB）是广泛用于改进机器学习应用的专业知识来源。然而，对于像 ConceptNet 这样的大型 KB，捕获来自每个行业领域的显式知识仍具有挑战。例如，只有少量来自各种行业执行的通用任务样本包含在 ConceptNet 中。本文旨在填补这一空白，提出一种弱监督框架，用于增强由各种行业群（IG）执行的任务构成的常识 KB。我们尝试为每个任务匹配一个或多个合适的 IG，通过训练神经模型学习任务-IG 亲和度并应用聚类选择每个 IG 的前 k 个任务。我们从两个公开可用的新闻数据集中提取了总计 2339 个形式为 的三元组，覆盖 24 个 IG，精确度为 0.86。这验证了提取的任务-IG 对的可靠性，这些对可以直接添加到现有的 KB 中。
引用
@article{arxiv.2505.07440,
title = {Matching Tasks with Industry Groups for Augmenting Commonsense Knowledge},
author = {Rituraj Singh and Sachin Pawar and Girish Palshikar},
journal= {arXiv preprint arXiv:2505.07440},
year = {2025}
}