面向知识的可解释认知推理

最新推荐文章于 2022-12-23 20:30:17 发布

游走鬼鬼

最新推荐文章于 2022-12-23 20:30:17 发布

阅读量856

点赞数 1

分类专栏：认知推理文章标签：知识图谱自然语言处理人工智能

本文链接：https://blog.csdn.net/weixin_47903246/article/details/124649493

版权

论文《KQA Pro: A Dataset with Explicit Compositional Programs for Complex Question Answering over Knowledge Base》提出了一种名为KoPL的可解释编程语言，用于表示复杂问题的推理过程，解决基于知识库的复杂问题问答的可解释性问题。KQA Pro数据集包含约12万个问题，与KoPL结合，提供更明确的推理路径和透明的中间结果，支持人在回路中的错误定位和修正。实验表明，使用KoPL进行语义解析提高了问题理解的准确性。

摘要由CSDN通过智能技术生成

面向知识的可解释认知推理

论文标题：
KQA Pro: A Dataset with Explicit Compositional Programs for Complex Question Answering over Knowledge Base
论文链接：
arXiv:2007.03875v3 [cs.CL] 10 Mar 2022
数据集和代码：
https://github.com/shijx12/KQAPro_Baselines.

通过一篇论文来谈谈什么是认知智能，怎样进行认知推理，如何又实现认知推理的可解释。知识和认知是密切相关的，认知就是人怎么去获得知识和应用知识的过程。运用人工智能技术实现从认知到推理的过程，其实就是用知识去做推理的过程。

01 引言
基于知识库的复杂问题问答（Complex KBQA）非常具有挑战性，因为它需要各种组合推理能力，如多跳推理、属性比较、集合运算。现有衡量标准有一些缺点，限制了复杂KBQA的发展。主要表现在：①只提供问答对，而没有明确的推理过程，可解释性差；②问题的多样性或规模都很差。
02 可解释的认知推理的框架
为解决上述问题，论文作者团队创建了一种用于复杂KBQA的数据集KQA Pro（包括大约12万个不同的自然语言问题），定义了一种组合式可解释编程语言（Knowledge oriented Programing Language，KoPL）来表示复杂问题的推理过程。同时，论文也提供相应的KoPL程序和SPARQL查询，这样KQA Pro就可以同时为KBQA和语义解析任务服务。