神经符号常识社会推理
人工智能
2023-03-16 v1
摘要
社会规范是所有人类社交互动的基础，然而对它们进行形式化与推理仍是 AI 系统的一大挑战。我们提出一种新颖的系统，从 Social Chemistry 101 数据集中获取自然语言形式的经验社会规则（ROTs），将其转换为一阶逻辑，并使用神经符号定理证明器进行推理。我们通过若干步骤实现这一目标。首先，将 ROTs 转换为抽象语义表示（AMR），即句子中概念的一种图表示，并将 AMR 与 RoBERTa 嵌入对齐。随后，我们通过一种新算法生成 AMR 的替代简化版本，重组并合并嵌入以增强对不同文本表述及错误 AMR 解析的鲁棒性。然后将 AMR 转换为一阶逻辑，并使用神经符号定理证明器进行查询。本文的目标是开发并评估一种神经符号方法，以逻辑形式对社会情境进行显式推理。
引用
@article{arxiv.2303.08264,
title = {Neuro-symbolic Commonsense Social Reasoning},
author = {David Chanin and Anthony Hunter},
journal= {arXiv preprint arXiv:2303.08264},
year = {2023}
}