利用众包自然性评估预测 ConceptNet 路径质量
计算与语言
2019-02-27 v1 人工智能
摘要
在许多应用中，刻画两个概念之间的语义关联方式十分重要。ConceptNet 等知识图谱通过将概念间的关系编码为图中的边，为此类刻画提供了丰富的信息来源。当两个概念未由边直接相连时，仍可用连接它们的路径来描述其关系。遗憾的是，这些路径中有许多是无信息量且含噪声的，这意味着使用此类路径特征的应用之成败，关键取决于其筛选高质量路径的能力。在现有应用中，这种路径选择过程基于相对简单的启发式方法。本文则提出从众包人类评估中学习预测路径质量。由于我们关注与具体任务无关的通用质量概念，仅让人类参与者依据其对路径自然性的主观评估对路径排序，而不试图定义自然性或引导参与者偏向特定质量指标。我们表明，在这些评估上训练的神经网络的模型能够以接近最优的性能预测人类对未见路径的判断。最值得注意的是，我们发现所得路径选择方法在识别有意义路径方面显著优于当前的启发式方法。
引用
@article{arxiv.1902.07831,
title = {Predicting ConceptNet Path Quality Using Crowdsourced Assessments of Naturalness},
author = {Yilun Zhou and Steven Schockaert and Julie A. Shah},
journal= {arXiv preprint arXiv:1902.07831},
year = {2019}
}
备注
In Proceedings of the Web Conference (WWW) 2019