論文の概要: ASER: Towards Large-scale Commonsense Knowledge Acquisition via Higher-order Selectional Preference over Eventualities

• arxiv url: http://arxiv.org/abs/2104.02137v1
• Date: Mon, 5 Apr 2021 20:23:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 23:51:50.625583
• Title: ASER: Towards Large-scale Commonsense Knowledge Acquisition via Higher-order Selectional Preference over Eventualities
• Title（参考訳）: ASER:事象に対する高次選択選好による大規模コモンセンス知識獲得を目指して
• Authors: Hongming Zhang, Xin Liu, Haojie Pan, Haowen Ke, Jiefu Ou, Tianqing Fang, Yangqiu Song
• Abstract要約: 我々は選択的選好に基づく常識知識収集の原則を策定する。 ASERには4億3800万の事象と6億4800万のエッジがある。
• 参考スコア（独自算出の注目度）: 38.33830781329563
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commonsense knowledge acquisition and reasoning have long been a core artificial intelligence problem. However, in the past, there has been a lack of scalable methods to collect commonsense knowledge. In this paper, we propose to develop principles for collecting commonsense knowledge based on selectional preference. We generalize the definition of selectional preference from one-hop linguistic syntactic relations to higher-order relations over linguistic graphs. Unlike previous commonsense knowledge definition (e.g., ConceptNet), the selectional preference (SP) knowledge only relies on statistical distribution over linguistic graphs, which can be efficiently and accurately acquired from the unlabeled corpus with modern tools. Following this principle, we develop a large-scale eventuality (a linguistic term covering activity, state, and event)-based knowledge graph ASER, where each eventuality is represented as a dependency graph, and the relation between them is a discourse relation defined in shallow discourse parsing. The higher-order selectional preference over collected linguistic graphs reflects various kinds of commonsense knowledge. Moreover, motivated by the observation that humans understand events by abstracting the observed events to a higher level and can thus transferring their knowledge to new events, we propose a conceptualization module to significantly boost the coverage of ASER. In total, ASER contains 438 million eventualities and 648 million edges between eventualities. After conceptualization with Probase, a selectional preference based concept-instance relational knowledge base, our concept graph contains 15 million conceptualized eventualities and 224 million edges between them. Detailed analysis is provided to demonstrate its quality. All the collected data, APIs, and tools are available at https://github.com/HKUST-KnowComp/ASER.
• Abstract（参考訳）: commonsenseの知識獲得と推論は長い間、人工知能の重要な問題だった。 しかし、過去にはコモンセンスの知識を集めるためのスケーラブルな方法が不足していた。 本稿では,選択選好に基づく常識知識の収集のための原則を提案する。 言語グラフ上の1-ホップ言語構文関係から高次関係への選択的選好の定義を一般化する。 従来のコモンセンスの知識定義(例:conceptnet)とは異なり、選択選好(英語版)(sp)の知識は言語グラフ上の統計的分布のみに依存している。 この原則に従って、各結果度を依存グラフとして表現し、それらの関係を浅い談話解析で定義された談話関係とする、大規模結果度(活動、状態、出来事を対象とする言語用語)ベースの知識グラフaserを開発した。 収集された言語グラフに対する上位選択選好は、様々な種類の常識知識を反映している。 さらに,観察された事象をより高レベルに抽象化し,その知識を新たな事象に伝達することで,人間が出来事を理解することを動機とした概念化モジュールを提案する。 ASERには4億3800万の事象と6億4800万の事象がある。 選択選好に基づく概念-インスタンス関係知識ベースであるProbaseによる概念化の後、概念グラフは1500万の概念化された結果と2億2400万のエッジを含む。 詳細な分析は、その品質を示すために提供される。 収集されたデータ、API、ツールはすべてhttps://github.com/HKUST-KnowComp/ASER.comで入手できる。

関連論文リスト

• EntailE: Introducing Textual Entailment in Commonsense Knowledge Graph Completion [54.12709176438264]
  Commonsense knowledge graph(CSKG)は、名前付きエンティティ、短いフレーズ、イベントをノードとして表現するために自由形式のテキストを使用する。 現在の手法では意味的類似性を利用してグラフ密度を増大させるが、ノードとその関係のセマンティックな妥当性は未探索である。 そこで本研究では,CSKGノード間の暗黙的な包絡関係を見つけるために,テキストエンテーメントを導入し,同じ概念クラス内のサブグラフ接続ノードを効果的に密度化することを提案する。
  論文  参考訳（メタデータ） (2024-02-15T02:27:23Z)
• KMF: Knowledge-Aware Multi-Faceted Representation Learning for Zero-Shot Node Classification [75.95647590619929]
  Zero-Shot Node Classification (ZNC)は、グラフデータ分析において、新しく重要なタスクである。 ラベルセマンティクスの豊かさを向上する知識認識型多面的フレームワーク(KMF)を提案する。 ノード情報集約によるプロトタイプドリフトの問題を軽減するために,新しい幾何学的制約を開発した。
  論文  参考訳（メタデータ） (2023-08-15T02:38:08Z)
• A Bipartite Graph is All We Need for Enhancing Emotional Reasoning with Commonsense Knowledge [16.410940528107115]
  両部不均一グラフ(BHG)を用いて,コモンセンス知識による感情的推論を強化する手法を提案する。 BHGベースの知識注入は、直接、多種多粒な知識ソースに一般化することができる。
  論文  参考訳（メタデータ） (2023-08-09T09:09:17Z)
• 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)
• TAG: Toward Accurate Social Media Content Tagging with a Concept Graph [26.08816319395582]
  1万のラベル付き概念ペアとWebスタイルの自然言語文からなる高品質な概念マッチングデータセットであるTAGを提案する。 私たちが考える概念は、オンラインユーザの関心の高まりを表している。 優れた抽象化と一般化性能を示す新しいグラフグラフマッチング法を提案する。
  論文  参考訳（メタデータ） (2021-10-13T17:24:02Z)
• Commonsense Knowledge in Word Associations and ConceptNet [37.751909219863585]
  本稿では,ConcpetNet と SWOW という2つの大規模知識資源の詳細な比較を行った。 本稿では,2つのグラフの構造,重なり合い,相違点と,それらが状況的常識的知識をエンコードする程度について検討する。
  論文  参考訳（メタデータ） (2021-09-20T06:06:30Z)
• DISCOS: Bridging the Gap between Discourse Knowledge and Commonsense Knowledge [42.08569149041291]
  代替コモンセンス知識獲得フレームワーク DISCOS を提案します。 DISCOSは高価なコモンセンス知識をより手頃な言語知識資源に投入する。 我々は,ASERの中核部にATOMICを投入することにより,3.4M ATOMICライクな推論コモンセンス知識を得ることができる。
  論文  参考訳（メタデータ） (2021-01-01T03:30:38Z)
• Fusing Context Into Knowledge Graph for Commonsense Reasoning [21.33294077354958]
  外部エンティティ記述を利用して,グラフエンティティのコンテキスト情報を提供する。 CommonsenseQAタスクでは、まず質問と選択から概念を抽出し、これらの概念の間に関連するトリプルを見つけます。 CommonsenseQAデータセットでは、80.7%(シングルモデル)と83.3%(アンサンブルモデル)の精度で最新の結果を達成しています。
  論文  参考訳（メタデータ） (2020-12-09T00:57:49Z)
• TransOMCS: From Linguistic Graphs to Commonsense Knowledge [109.36596335148091]
  従来のコモンセンス知識を取得するには、手間と費用のかかる人間のアノテーションが必要である。 我々は,言語パターンから得られた安価な知識を高価なコモンセンス知識に移行することを目的として,言語グラフからコモンセンス知識をマイニングする実践的な方法を探究する。 実験により,言語知識のコモンセンス知識への伝達可能性や,量,新規性,品質の観点から提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-05-01T04:03:58Z)
• A Heterogeneous Graph with Factual, Temporal and Logical Knowledge for Question Answering Over Dynamic Contexts [81.4757750425247]
  動的テキスト環境における質問応答について検討する。 構築したグラフ上にグラフニューラルネットワークを構築し,エンドツーエンドでモデルをトレーニングする。
  論文  参考訳（メタデータ） (2020-04-25T04:53:54Z)

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。