論文の概要: Knowledge-driven Natural Language Understanding of English Text and its
Applications
- arxiv url: http://arxiv.org/abs/2101.11707v1
- Date: Wed, 27 Jan 2021 22:02:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-01 19:45:24.121042
- Title: Knowledge-driven Natural Language Understanding of English Text and its
Applications
- Title(参考訳): 英語テキストの知識駆動自然言語理解とその応用
- Authors: Kinjal Basu, Sarat Varanasi, Farhad Shakerin, Joaquin Arias, Gopal
Gupta
- Abstract要約: 英文を対象とした知識駆動型意味表現手法を提案する。
SQuARE (Semantic-based Question Answering and Reasoning Engine) と StaCACK (Stateful Conversational Agent using Commonsense Knowledge) の2つのNLUアプリケーションを提案する。
- 参考スコア(独自算出の注目度): 8.417188296231059
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding the meaning of a text is a fundamental challenge of natural
language understanding (NLU) research. An ideal NLU system should process a
language in a way that is not exclusive to a single task or a dataset. Keeping
this in mind, we have introduced a novel knowledge driven semantic
representation approach for English text. By leveraging the VerbNet lexicon, we
are able to map syntax tree of the text to its commonsense meaning represented
using basic knowledge primitives. The general purpose knowledge represented
from our approach can be used to build any reasoning based NLU system that can
also provide justification. We applied this approach to construct two NLU
applications that we present here: SQuARE (Semantic-based Question Answering
and Reasoning Engine) and StaCACK (Stateful Conversational Agent using
Commonsense Knowledge). Both these systems work by "truly understanding" the
natural language text they process and both provide natural language
explanations for their responses while maintaining high accuracy.
- Abstract(参考訳): テキストの意味を理解することは、自然言語理解(NLU)研究の根本的な課題です。
理想的なNLUシステムは、単一のタスクやデータセットに排他的でない方法で言語を処理すべきである。
これを念頭に置いて、我々は英語テキストに対する知識駆動型セマンティック表現アプローチを新たに導入した。
VerbNetレキシコンを利用することで、基本知識プリミティブを用いて表現されるコモンセンスにテキストの構文木をマッピングすることができる。
我々のアプローチから表現される汎用知識は、正当化も可能な推論ベースのNLUシステムを構築するために利用することができる。
SQuARE(Semantic-based Question Answering and Reasoning Engine)とStaCACK(Stateful Conversational Agent using Commonsense Knowledge)の2つのNLUアプリケーションを構築するためにこのアプローチを適用しました。
どちらのシステムも、処理する自然言語のテキストを「真に理解」し、高い精度を維持しながら、応答に対する自然言語の説明を提供する。
関連論文リスト
- Teacher Perception of Automatically Extracted Grammar Concepts for L2
Language Learning [66.79173000135717]
本研究は、カンナダ語とマラティ語という2つのインドの言語教育に適用する。
我々は、形態素構文(単語順、一致、ケースマーキング、または単語形成の学習)と意味論(語彙の学習)に関する疑問に答える自然なテキストコーパスから記述を抽出する。
我々は,北米の学校から言語教育者の助けを借りて手作業による評価を行い,教材が授業の準備や学習者評価に利用できる可能性を見出した。
論文 参考訳(メタデータ) (2023-10-27T18:17:29Z) - Reasoning about Ambiguous Definite Descriptions [2.5398014196797605]
自然言語推論は、複雑な言語理解タスクを解く言語モデルの能力を改善する上で重要な役割を果たす。
言語におけるあいまいさを解決するために、大規模言語モデルが明示的な推論をどの程度有効に活用できるかを評価するためのリソースは存在しない。
この目的のためにあいまいな明確な記述を用い、そのようなフレーズからなる最初のベンチマークデータセットを作成し、公開することを提案する。
論文 参考訳(メタデータ) (2023-10-23T07:52:38Z) - ChatABL: Abductive Learning via Natural Language Interaction with
ChatGPT [72.83383437501577]
大規模言語モデル(LLM)は、最近数学的な能力において大きな可能性を証明している。
LLMは現在、認識、言語理解、推論能力のブリッジングに困難を抱えている。
本稿では, LLMを帰納学習フレームワークに統合する新しい手法を提案する。
論文 参考訳(メタデータ) (2023-04-21T16:23:47Z) - Reliable Natural Language Understanding with Large Language Models and
Answer Set Programming [0.0]
大規模言語モデル(LLM)は、様々なNLPタスクを解くためにテキストのパターンを利用することができるが、推論を必要とする問題では不足している。
LLMとAnswer Set Programming(ASP)を組み合わせたフレームワークSTARを提案する。
目標指向のASPは、この知識を確実に推論するために使用される。
論文 参考訳(メタデータ) (2023-02-07T22:37:21Z) - Language Models as Inductive Reasoners [125.99461874008703]
本稿では,帰納的推論のための新しいパラダイム(タスク)を提案し,自然言語の事実から自然言語規則を誘導する。
タスクのための1.2kルールファクトペアを含むデータセットDEERを作成し,ルールと事実を自然言語で記述する。
我々は、事前訓練された言語モデルが自然言語の事実から自然言語規則をいかに誘導できるかを、初めてかつ包括的な分析を行う。
論文 参考訳(メタデータ) (2022-12-21T11:12:14Z) - A Survey of Knowledge Enhanced Pre-trained Language Models [78.56931125512295]
我々は、知識強化事前学習言語モデル(KE-PLMs)の包括的なレビューを行う。
NLUでは、言語知識、テキスト知識、知識グラフ(KG)、ルール知識の4つのカテゴリに分類する。
NLGのKE-PLMは、KGベースと検索ベースに分類される。
論文 参考訳(メタデータ) (2022-11-11T04:29:02Z) - An ASP-based Approach to Answering Natural Language Questions for Texts [8.417188296231059]
本稿では,自然言語テキストから生成した知識を表現するために,応答集合プログラミング(ASP)に基づく手法を提案する。
ASP.NETは、自動質問応答、テキスト要約、自動質問生成など、多くの自然言語タスクを容易にする。
本稿では,英語テキストの自然言語質問に回答するタスクを自動化するために開発したCASPRシステムについて述べる。
論文 参考訳(メタデータ) (2021-12-21T14:13:06Z) - Towards More Robust Natural Language Understanding [0.0]
自然言語理解(NLU)は自然言語処理(NLP)の分野である
近年、深層学習技術を用いた様々なNLUタスクが目覚ましい進歩を遂げている。
自然言語を理解する人間の能力は柔軟で堅牢です。
論文 参考訳(メタデータ) (2021-12-01T17:27:19Z) - Question Answering over Knowledge Bases by Leveraging Semantic Parsing
and Neuro-Symbolic Reasoning [73.00049753292316]
本稿では,意味解析と推論に基づくニューロシンボリック質問回答システムを提案する。
NSQAはQALD-9とLC-QuAD 1.0で最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2020-12-03T05:17:55Z) - SQuARE: Semantics-based Question Answering and Reasoning Engine [9.902883278247726]
自然言語QAのための汎用意味論に基づくフレームワークを提案する。
また、このフレームワークの応用であるSQuAREシステムについても述べる。
SQuAREは、テストした5つのデータセットすべてに対して100%の精度を実現します。
論文 参考訳(メタデータ) (2020-09-22T00:48:18Z) - Unsupervised Commonsense Question Answering with Self-Talk [71.63983121558843]
本稿では,コモンセンスタスクの代替として,セルフトークに基づく教師なしフレームワークを提案する。
探索に基づく探索学習にインスパイアされた我々のアプローチは、質問を求める多くの情報で言語モデルに問い合わせる。
実験結果から,ゼロショット言語モデルベースラインの性能が大幅に向上することが示唆された。
論文 参考訳(メタデータ) (2020-04-11T20:43:37Z)
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。