- Опрос о заполнении графа знаний несколькими шагами с помощью структурных знаний и знаний на основе здравого смысла(arXiv)
Автор:Хаоди Ма, Дейзи Чжэ Ван
Аннотация. Графы знаний (KG) служат ключевым компонентом различных приложений для обработки естественного языка. Графы здравого смысла (CKG) представляют собой особый тип KG, в котором сущности и отношения состоят из текста произвольной формы. Однако предыдущие работы по завершению KG и завершению CKG страдают от отношений с длинным хвостом и недавно добавленных отношений, которые не имеют большого количества троек знаний для обучения. В свете этого для решения проблемы ограниченных аннотированных данных было предложено завершение KG за несколько шагов (FKGC), которое требует сильных сторон обучения представлению графа и обучения за несколько шагов. В этой статье мы всесторонне рассматриваем предыдущие попытки решения таких задач в виде ряда методов и приложений. В частности, мы сначала представляем проблемы FKGC, обычно используемые KG и CKG. Затем мы систематически классифицируем и обобщаем существующие работы с точки зрения типа КГ и методов. Наконец, мы представляем приложения моделей FKGC для задач прогнозирования в различных областях и делимся своими мыслями о будущих направлениях исследований FKGC.
2.Заполнение графа временных знаний на основе логики и здравого смысла(arXiv)
Автор:Гуанлинь Ню, Бо Ли
Вывод:График темпоральных знаний (TKG) хранит события, полученные из данных, включающих время. Прогнозирование событий чрезвычайно сложно из-за того, что события чувствительны ко времени. Кроме того, предыдущие подходы завершения TKG (TKGC) не могут одновременно представлять свойства своевременности и причинности событий. Чтобы решить эти проблемы, мы предлагаем модель встраивания, основанную на логике и здравом смысле (LCGE), чтобы совместно изучать чувствительное ко времени представление, включающее своевременность и причинность событий, вместе с независимым от времени представлением событий с точки зрения здравого смысла. В частности, мы разрабатываем алгоритм изучения временных правил, чтобы построить стратегию регуляризации внедрения предикатов на основе правил для изучения причинно-следственной связи между событиями. Кроме того, мы могли точно оценить правдоподобие событий с помощью вспомогательных знаний здравого смысла. Экспериментальные результаты задачи TKGC иллюстрируют значительное улучшение производительности нашей модели по сравнению с существующими подходами. Что еще более интересно, наша модель способна обеспечить объяснимость предсказанных результатов с точки зрения каузального вывода. Исходный код и наборы данных этой статьи доступны по адресу https://github.com/ngl567/LCGE.
