論文の概要: Conversational Multi-Hop Reasoning with Neural Commonsense Knowledge and
Symbolic Logic Rules
- arxiv url: http://arxiv.org/abs/2109.08544v1
- Date: Fri, 17 Sep 2021 13:40:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-20 18:18:40.536010
- Title: Conversational Multi-Hop Reasoning with Neural Commonsense Knowledge and
Symbolic Logic Rules
- Title(参考訳): ニューラルコモンセンス知識と記号論理則を用いた会話型マルチホップ推論
- Authors: Forough Arabshahi, Jennifer Lee, Antoine Bosselut, Yejin Choi, Tom
Mitchell
- Abstract要約: 会話エージェントのためのゼロショットコモンセンス推論システムを提案する。
我々の推論器は、 if-(state) then-(action) because-(goal) の一般的なテンプレートを満たす未定の前提を明らかにする
我々は,SOTAと比較して35%高い成功率を達成できるユーザによるユーザスタディにより,モデルを評価した。
- 参考スコア(独自算出の注目度): 38.15523098189754
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: One of the challenges faced by conversational agents is their inability to
identify unstated presumptions of their users' commands, a task trivial for
humans due to their common sense. In this paper, we propose a zero-shot
commonsense reasoning system for conversational agents in an attempt to achieve
this. Our reasoner uncovers unstated presumptions from user commands satisfying
a general template of if-(state), then-(action), because-(goal). Our reasoner
uses a state-of-the-art transformer-based generative commonsense knowledge base
(KB) as its source of background knowledge for reasoning. We propose a novel
and iterative knowledge query mechanism to extract multi-hop reasoning chains
from the neural KB which uses symbolic logic rules to significantly reduce the
search space. Similar to any KBs gathered to date, our commonsense KB is prone
to missing knowledge. Therefore, we propose to conversationally elicit the
missing knowledge from human users with our novel dynamic question generation
strategy, which generates and presents contextualized queries to human users.
We evaluate the model with a user study with human users that achieves a 35%
higher success rate compared to SOTA.
- Abstract(参考訳): 会話エージェントが直面する課題の1つは、ユーザのコマンドの予測されていない推定を識別できないことである。
本稿では,これを実現するために,会話エージェントのためのゼロショットコモンセンス推論システムを提案する。
if-(state), then-(action), because-(goal) の一般的なテンプレートを満たすユーザコマンドからの無言の推測を明らかにする。
我々の推論者は、背景知識の源泉として、最先端のトランスフォーマーベースの生成コモンセンス知識ベース(KB)を使用している。
本稿では,シンボリック論理規則を用いて検索空間を大幅に削減するニューラルネットワークkbから,マルチホップ推論チェインを抽出するための,新しい反復的知識クエリ機構を提案する。
これまで集められたKBと同様、私たちの常識KBは知識の欠如がちです。
そこで本研究では,人間ユーザに対してコンテキスト型クエリを生成・提示する動的質問生成戦略により,不足した知識を対話的に人間ユーザから引き出す手法を提案する。
我々は,SOTAと比較して35%高い成功率を達成できるユーザによるユーザスタディにより,モデルを評価した。
関連論文リスト
- RECKONING: Reasoning through Dynamic Knowledge Encoding [51.076603338764706]
言語モデルは、文脈の一部として提供される知識について推論することで、質問に答えることができることを示す。
これらの状況では、モデルは質問に答えるために必要な知識を区別することができない。
我々は、与えられた文脈知識をモデルのパラメータに折り畳み、より堅牢に推論するようにモデルに教えることを提案する。
論文 参考訳(メタデータ) (2023-05-10T17:54:51Z) - Multi-hop Commonsense Knowledge Injection Framework for Zero-Shot
Commonsense Question Answering [6.086719709100659]
本稿では,新しいマルチホップコモンセンス知識注入フレームワークを提案する。
本フレームワークは,5つの共通知識質問応答ベンチマークにおいて,最先端性能を実現する。
論文 参考訳(メタデータ) (2023-05-10T07:13:47Z) - RHO ($\rho$): Reducing Hallucination in Open-domain Dialogues with
Knowledge Grounding [57.46495388734495]
本稿では、知識グラフ(KG)からリンクされたエンティティと関係述語を表現したRHO(rho$)を提案する。
本稿では,(1)テキスト埋め込みと対応するKG埋め込みを組み合わせるための局所知識基盤,(2)注目機構を介してRHOにマルチホップ推論能力を持たせるためのグローバル知識基盤を提案する。
論文 参考訳(メタデータ) (2022-12-03T10:36:34Z) - ComFact: A Benchmark for Linking Contextual Commonsense Knowledge [31.19689856957576]
そこで我々は,KGから状況に関連のあるコモンセンス知識を特定するために,モデルにコンテキストを付与し,訓練を行う,コモンセンス事実リンクの新しい課題を提案する。
われわれの新しいベンチマークであるComFactは、4つのスタイリスティックな多様なデータセットにまたがるコモンセンスのための293kのインコンテキスト関連アノテーションを含んでいる。
論文 参考訳(メタデータ) (2022-10-23T09:30:39Z) - ArT: All-round Thinker for Unsupervised Commonsense Question-Answering [54.068032948300655]
本稿では,知識生成における関連性を完全に取り除き,オールラウンド思考者(ArT)のアプローチを提案する。
我々は、COPA、SocialIQA、SCTの3つの共通センスQAベンチマークで評価した。
論文 参考訳(メタデータ) (2021-12-26T18:06:44Z) - Generated Knowledge Prompting for Commonsense Reasoning [53.88983683513114]
本稿では,汎用的なプロンプト形式を用いて,言語モデルから直接知識文を生成することを提案する。
このアプローチは、4つのコモンセンス推論タスクにおいて、既製の言語モデルと微調整された言語モデルの両方のパフォーマンスを向上させる。
特に、モデルが生成した知識を使用することで、予測が改善できることが分かる。
論文 参考訳(メタデータ) (2021-10-15T21:58:03Z) - Personalized Query Rewriting in Conversational AI Agents [7.086654234990377]
本稿では,ユーザの歴史的に成功したインタラクションをメモリとして活用し,クエリ書き換え手法を提案する。
ニューラルネットワークモデルとポインタジェネレータネットワークに階層的な注意を払い、上述したユーザ記憶を用いたクエリ書き換えタスクにおいて、より優れた性能を発揮することを示す。
論文 参考訳(メタデータ) (2020-11-09T20:45:39Z) - Conversational Neuro-Symbolic Commonsense Reasoning [10.894217510063086]
マルチホップ推論鎖を抽出するニューロシンボリック定理証明器を提案する。
また,脳-記号系上に構築した対話型対話型フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-17T17:28:38Z) - 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。