論文の概要: Consolidating Commonsense Knowledge
- arxiv url: http://arxiv.org/abs/2006.06114v2
- Date: Mon, 22 Jun 2020 19:38:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-23 04:12:35.289595
- Title: Consolidating Commonsense Knowledge
- Title（参考訳）: 常識知識の統合
- Authors: Filip Ilievski, Pedro Szekely, Jingwei Cheng, Fu Zhang, Ehsan Qasemi
- Abstract要約: 多くの貴重なコモンセンス知識源は、異なる強み、強み、弱みを持つ。
我々はそれらをCSKG(Common Sense Knowledge Graph)に統合するための原理と表現モデルを提案する。
CSKGの統計データを提示し、4つのQAデータセット上でその実用性についての最初の調査を行い、学習した教訓をリストアップする。
- 参考スコア（独自算出の注目度）: 5.738787482277405
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Commonsense reasoning is an important aspect of building robust AI systems
and is receiving significant attention in the natural language understanding,
computer vision, and knowledge graphs communities. At present, a number of
valuable commonsense knowledge sources exist, with different foci, strengths,
and weaknesses. In this paper, we list representative sources and their
properties. Based on this survey, we propose principles and a representation
model in order to consolidate them into a Common Sense Knowledge Graph (CSKG).
We apply this approach to consolidate seven separate sources into a first
integrated CSKG. We present statistics of CSKG, present initial investigations
of its utility on four QA datasets, and list learned lessons.
- Abstract（参考訳）: コモンセンス推論は、堅牢なAIシステムを構築する上で重要な側面であり、自然言語理解、コンピュータビジョン、知識グラフコミュニティで大きな注目を集めている。
現在、多くの価値あるコモンセンスの知識ソースが存在しており、異なる焦点、強み、弱みがある。
本稿では,代表的情報源とその特性を列挙する。
本調査に基づき,CSKG(Common Sense Knowledge Graph)に統合するための原則と表現モデルを提案する。
本研究では,7つの異なるソースをCSKGに統合する手法を提案する。
我々は,cskgの統計,4つのqaデータセットにおけるその有用性に関する初期調査,および学習教訓のリストを提供する。
関連論文リスト
- Visually Grounded Commonsense Knowledge Acquisition [132.42003872906062]
大規模なコモンセンス知識ベースは、幅広いAIアプリケーションを促進する。
視覚知覚には、現実世界の実体に関する豊富な常識知識が含まれる。
本稿では,遠隔教師付きマルチインスタンス学習問題としてCKEを定式化するCLEVERを提案する。
論文 参考訳（メタデータ） (2022-11-22T07:00:16Z) - Knowledge Graph Augmented Network Towards Multiview Representation
Learning for Aspect-based Sentiment Analysis [96.53859361560505]
本稿では,知識グラフ拡張ネットワーク(KGAN)を提案する。
KGANは感情の特徴表現を、文脈、構文、知識に基づく複数の視点から捉えている。
3つの人気のあるABSAベンチマークの実験は、我々のKGANの有効性と堅牢性を示している。
論文 参考訳（メタデータ） (2022-01-13T08:25:53Z) - Contextualized Knowledge-aware Attentive Neural Network: Enhancing
Answer Selection with Knowledge [77.77684299758494]
ナレッジグラフ(KG)による外部知識による回答選択モデル向上のアプローチを幅広く検討しています。
まず、KGの外部知識とテキスト情報との密接な相互作用を考慮し、QA文表現を学習するコンテキスト知識相互作用学習フレームワークであるナレッジアウェアニューラルネットワーク(KNN)を紹介します。
KG情報の多様性と複雑性に対処するために, カスタマイズされたグラフ畳み込みネットワーク (GCN) を介して構造情報を用いた知識表現学習を改善し, コンテキストベースおよび知識ベースの文表現を総合的に学習する コンテキスト型知識認識型アテンシブニューラルネットワーク (CKANN) を提案する。
論文 参考訳（メタデータ） (2021-04-12T05:52:20Z) - Dimensions of Commonsense Knowledge [60.49243784752026]
我々は,その関係に特に焦点をあてて,広く普及しているコモンセンスソースを調査した。
我々はこれらの関係を13の知識次元に集約し、それぞれがソースにあるより具体的な関係を抽象化する。
論文 参考訳（メタデータ） (2021-01-12T17:52:39Z) - CSKG: The CommonSense Knowledge Graph [4.613979002313871]
7つの主要なソースを最初の統合CommonSense Knowledge Graph(CSKG)に統合します。
我々はCSKGとその各種テキストおよびグラフ埋め込みを分析し、CSKGが十分に接続されており、その埋め込みがグラフへの有用なエントリポイントを提供することを示す。
論文 参考訳（メタデータ） (2020-12-21T17:03:19Z) - KRISP: Integrating Implicit and Symbolic Knowledge for Open-Domain
Knowledge-Based VQA [107.7091094498848]
VQAの最も難しい質問の1つは、質問に答えるために画像に存在しない外部の知識を必要とする場合です。
本研究では,解答に必要な知識が与えられたり記入されたりしないオープンドメイン知識を,トレーニング時やテスト時にも検討する。
知識表現と推論には2つのタイプがあります。
まず、トランスベースのモデルで教師なし言語事前トレーニングと教師付きトレーニングデータから効果的に学ぶことができる暗黙的な知識。
論文 参考訳（メタデータ） (2020-12-20T20:13:02Z) - KompaRe: A Knowledge Graph Comparative Reasoning System [85.72488258453926]
本稿では,複数の手がかりに対する共通点と矛盾点の推測を目的とした知識グラフの比較推論を提案する。
我々は,大規模な知識グラフに対して比較推論機能を提供する,最初のプロトタイプシステムであるKompaReを開発した。
論文 参考訳（メタデータ） (2020-11-06T04:57:37Z) - Deep Learning on Knowledge Graph for Recommender System: A Survey [36.41255991011155]
知識グラフは、2つのオブジェクトと1つまたは複数の関連属性を接続する高次関係を符号化することができる。
新たなグラフニューラルネットワーク(GNN)の助けを借りて,対象特性と関係性の両方をKGから抽出することができる。
論文 参考訳（メタデータ） (2020-03-25T22:53:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。