面向知识密集型论证任务的上下文常识知识图的相似性加权构建
计算与语言
2023-05-16 v1 数据库
摘要
论证往往未明确说明结论如何由其前提推出。为弥补这一缺失，我们用结构化背景知识来丰富论证，以支持知识密集型论证任务。我们提出一种无监督方法，用于构建上下文常识知识图 (CCKGs)，该方法能从大型知识图 (KGs) 中高效且高质量地筛选上下文相关知识。我们的工作超越了上下文不敏感的知识抽取启发式方法，通过计算 KG 三元组与文本论证之间的语义相似性来实现。利用这些三元组相似性作为权重，我们抽取连接结论与其前提的上下文知识路径，同时最大化与论证的相似性。我们将多条路径组合为 CCKG，并可选择性地剪枝以降低噪声并提升精确率。对我们所构建图质量的内在评估表明，该方法在（重新）构建人类解释图方面是有效的。在大规模知识选择设置下的人工评估证实了 CCKG 中隐式常识知识 (CSK) 的高召回率与高精确率。最后，我们在知识不敏感论证质量评级任务中展示了 CCKG 的有效性，其表现优于强基线并可与基于 GPT-3 的系统相媲美。
引用
@article{arxiv.2305.08495,
title = {Similarity-weighted Construction of Contextualized Commonsense Knowledge Graphs for Knowledge-intense Argumentation Tasks},
author = {Moritz Plenz and Juri Opitz and Philipp Heinisch and Philipp Cimiano and Anette Frank},
journal= {arXiv preprint arXiv:2305.08495},
year = {2023}
}
备注
Accepted at ACL 2023