![](https://img-blog.csdnimg.cn/20201014180756930.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
常识推理
xiaomao979
这个作者很懒,什么都没留下…
展开
-
COMMONSENSEQA: A Question Answering Challenge Targeting Commonsense Knowledge
论文目的构建常识问答数据集,该数据集的特点是:问题可以不经过文本而轻易地根据常识被人类回答最先进的预训练语言模型也无法取得很好的效果,而人类可以轻而易举的取得很好的效果论文方法向crowd workers提出问题,以描述来自CONCEPTNET的概念之间的关系,构建过程如下(figure 1):A source concept (in green) and three target concepts (in blue) are sampled from CONCEPTNET (b) Cro原创 2020-09-24 11:21:43 · 315 阅读 · 0 评论 -
Diverse and Informative Dialogue Generation with Context-Specific Commonsense Knowledge Awareness
论文目的生成对话系统总会产生无意义的对话,例如“我不知道”,所以本论文利用常识来补充对话背景信息,为对话增添色彩论文方法D为训练集,X为查询信息,Y为回应内容,F为常识知识Felicitous Fact mechanismKnowledge Retriever:检索查询实体,获取常识KG上邻居信息和对应关系构成candidate factContext Encoder:使用双向GRU,输入XorY,输出文本状态序列Felicitous Fact Recognizer:区分歧义词Contex原创 2020-09-20 13:15:08 · 422 阅读 · 0 评论 -
Graph-Based Reasoning over Heterogeneous External Knowledge for Commonsense Question Answering
论文目的实现常识问答——常识问答要用到外部知识,现有的常识问答方法有两种:they either generate evidence from human-annotated evidence or extract evidence from a homogeneous knowledge source like structured knowledge ConceptNet. 但是they fail to take advantages of both knowledge sources simulta原创 2020-09-19 16:46:08 · 306 阅读 · 0 评论 -
A Surprisingly Robust Trick for the Winograd Schema Challenge 论文分析
摘要Winograd Schema Challenge(WSC)数据集WSC273及其推理对手WNLI是自然语言理解和常识推理的流行基准。 在本文中,我们表明,当在相似的代词消除歧义问题数据集(表示为WSCR)上进行微调时,WSC273上三种语言模型的性能将持续稳定地提高。 我们还生成了一个大型的无监督WSClike数据集。 通过在引入的WSCR数据集和WSCR数据集上微调BERT语言模型,我们在WSC273和WNLI上实现了72.5%和74.7%的总体准确度,从而将先前的最新解决方案提高了8.8%和9.原创 2020-07-22 10:48:32 · 591 阅读 · 0 评论 -
Combining Knowledge Hunting and Neural Language Models to Solve the Winograd Schema Challenge 论文分析
摘要Winograd Schema Challenge(WSC)指代名词解析任务,似乎需要常识性的推理,因为所需的知识不在给定的文本中。自动提取所需的知识是解决挑战的瓶颈。现有的最先进方法使用嵌入其预训练的语言模型中的知识。但是,语言模型仅嵌入部分知识,这些知识与经常共存的概念有关。这限制了此类模型在WSC问题上的性能。在这项工作中,我们建立在基于语言模型的方法上,并通过常识性知识搜寻(使用从文本中自动提取)模块和显式推理模块来扩展它们。我们以这种方式构建的端到端系统将两种可用的基于语言模型的方法的准确性原创 2020-07-22 14:42:15 · 246 阅读 · 0 评论 -
WinoWhy: A Deep Diagnosis of Essential Commonsense Knowledge for Answering Winograd Schema Challenge
摘要在本文中,我们提出了基本常识知识的第一个综合分类,用于回答Winograd模式挑战(WSC)。对于每个问题,我们邀请注释者首先提供做出正确决定的原因,然后将其归类为六个主要知识类别。这样一来,我们可以更好地理解现有方法的局限性(即无法用现有方法有效地表示或推论哪种知识),并为将来为更好的常识推理而需要获取的常识提供一些启示。此外,为了调查当前的WSC模型是否可以理解常识,或者仅基于数据集的统计偏差来解决WSC问题,我们利用收集到的原因开发了一个名为WinoWhy的新任务,该任务需要模型将可能的原因与非原创 2020-07-19 14:58:22 · 189 阅读 · 0 评论 -
A Review of Winograd Schema Challenge Datasets and Approaches 论文翻译与分析
A Review of Winograd Schema Challenge Datasets and Approaches 论文翻译与分析摘要IntroductionWinograd Schema Challenge DatasetsOriginal Collection of Winograd SchemasDefinite Pronoun Resolution DatasetPronoun Disambiguation Problem DatasetWinograd Natural Language I原创 2020-07-19 14:56:42 · 753 阅读 · 1 评论 -
常识推理论文概要记录:Philosophers are Mortal: Inferring the Truth of Unseen Facts
概述本文介绍了一种可以判断一个三元组f=(a1,r,a2)f = (a_1, r, a_2)f=(a1,r,a2)是否为真实常识的算法具体步骤预先准备一个语料库,这个语料库里面全为已经确定的真实常识,而且我们查询的三元组f=(a1,r,a2)f = (a_1, r, a_2)f=(a1,r,a2)并不在这个语料库当中。在语料库当中寻找到和查询三元组f=(a1,r,a2)f = (...原创 2020-02-14 17:49:08 · 110 阅读 · 0 评论 -
How Reasonable are Common-Sense Reasoning Tasks 2019微软常识case study论文分析
摘要最近的研究显着改善了诸如Winograd Schema Challenge(WSC)和SWAG等常识推理(CSR)基准的最新技术。 我们在本文中提出的问题是,在这些基准上提高性能是否代表了朝着常识性系统迈进的真正进展。 我们对基准测试和设计协议进行案例研究,以通过分析对先前实验设计有效性的威胁来阐明和验证先前工作的结果。 我们的协议考虑了常识基准中常见的几种属性,包括大小限制,结构规律性和可变实例难度。SWAGSWAG的问题实例包括部分说明,以及四个在分布上相似的候选后继句子。 其中,一位接班人是原创 2020-07-22 15:30:52 · 151 阅读 · 0 评论