TransOMCS：从语言图到常识知识
人工智能
2020-05-04 v1 计算与语言
摘要
常识知识获取是人工智能的一个关键问题。传统的常识知识获取方法通常需要费力且昂贵的人工标注，难以大规模进行。在本文中，我们探索了一种从语言图中挖掘常识知识的实用方法，旨在将利用语言模式获得的廉价知识转化为昂贵的常识知识。其结果是将大规模选择性偏好知识资源 ASER [Zhang et al., 2020] 转换为 TransOMCS，其表示形式与 ConceptNet [Liu and Singh, 2004] 相同，但规模大两个数量级。实验结果证明了语言知识向常识知识的可迁移性，以及所提方法在数量、新颖性和质量方面的有效性。TransOMCS 公开可用地址为：https://github.com/HKUST-KnowComp/TransOMCS。
引用
@article{arxiv.2005.00206,
title = {TransOMCS: From Linguistic Graphs to Commonsense Knowledge},
author = {Hongming Zhang and Daniel Khashabi and Yangqiu Song and Dan Roth},
journal= {arXiv preprint arXiv:2005.00206},
year = {2020}
}
备注
Accepted by IJCAI 2020