面向可泛化的神经-符号常识问答系统
计算与语言
2019-11-01 v1
摘要
非抽取式常识问答仍是一项具有挑战性的人工智能任务,因为它要求系统对分散的信息进行推理、综合与收集,以生成对查询的回答。近期在此类任务上的方法仅当模型以额外信息预训练或使用领域特定启发式时才显示出性能提升,而未对知识资源类型作任何特殊考量。在本文中,我们调研了近期常识问答方法,并跨多个常识数据集的基准对流行的知识资源与知识集成方法进行了系统分析。我们的结果与分析表明,基于注意力的注入似乎是知识集成的更优选择,且知识库与数据集之间的领域重叠程度在决定模型成功方面起着关键作用。
引用
@article{arxiv.1910.14087,
title = {Towards Generalizable Neuro-Symbolic Systems for Commonsense Question Answering},
author = {Kaixin Ma and Jonathan Francis and Quanyang Lu and Eric Nyberg and Alessandro Oltramari},
journal= {arXiv preprint arXiv:1910.14087},
year = {2019}
}
备注
EMNLP-COIN 2019