网站的在线支付怎么做,莱芜网站优化招聘网,上国外网站用什么机箱好,网页浏览器翻译上期#xff0c;我们一起学习了常识推理的最新研究进展。这次#xff0c;我们一起来看看常识知识在AI不同的领域都有哪些应用#xff0c;泽宇找到几篇最新或有代表性的研究和大家分享学习。 Commonsense Knowledge Aware Conversation Generation with Graph Attention
Aut…上期我们一起学习了常识推理的最新研究进展。这次我们一起来看看常识知识在AI不同的领域都有哪些应用泽宇找到几篇最新或有代表性的研究和大家分享学习。 Commonsense Knowledge Aware Conversation Generation with Graph Attention
Authors: Hao Zhou, Tom Young, Minlie Huang, Haizhou Zhao, Jingfang Xu, Xiaoyan Zhu
论文地址https://www.ijcai.org/Proceedings/2018/0643.pdf
内容简介说到常识知识的利用必须要提的就是这篇取得了IJCAI 2018杰出论文奖的论文这篇论文的一作是清华的周昊大神co-author包括黄民烈老师和朱小燕老师。这篇论文提出了一种新的开放域对话的生成模型在对话生成中首次使用了大规模的常识知识库。通过常识知识可以使模型能够更好地理解对话从而给出更合理和符合常识的回复。同时之前的研究都是将每个知识三元组独立使用这篇论文中设计了静态和动态图注意力机制把知识三元组看作一个图利用实体的领域信息可以更好地理解当天实体的语义信息。 What is More Likely to Happen Next? Video-and-Language Future Event Prediction
Authors: Jie Lei, Licheng Yu, Tamara L. Berg, Mohit Bansal
论文地址https://arxiv.org/pdf/2010.07999
内容简介这篇论文是发表在EMNLP 2020上关于视频-语言预测的一项研究给定具有一致对话的视频人们通常可以推断出下一步可能发生的情况。做出这样的预测不仅需要理解视频和对话背后的丰富动态还需要大量的常识知识。作者通过收集了一个新的数据集名为“视频和语言事件预测VLEP”其中包含来自10,234个不同的电视节目和YouTube Lifestyle Vlog视频剪辑的28,726个未来事件预测示例及其依据。实验表明每种类型的信息都可用于完成这项具有挑战性的任务并且与VLEP上的出色人工表现相比这篇论文中提出的模型提供了一个很好的起点并为将来的工作留出了很大的空间。 iPerceive: Applying Common-Sense Reasoning to Multi-Modal Dense Video Captioning and Video Question Answering
Authors: Aman Chadha, Gurneet Arora, Navpreet Kaloty
论文地址https://arxiv.org/pdf/2011.07735
内容简介这篇论文是发表在WACV 2021上的关于视频描述和视频问答的研究。由于视觉理解中的大多数现有技术仅依赖于分析“有什么”例如事件识别和“在何处”例如事件定位这在某些情况下无法描述事件之间的正确上下文关系。人类和机器目前最大的不同在于人类本能地寻找任何关联背后的因果关系也就是需要用到常识知识。为此这篇论文中提出了iPerceive框架其能够理解通过使用上下文线索建立常识知识库来推断视频中对象之间的因果关系从而理解视频中的事件之间“为什么”。 Beyond Language: Learning Commonsense from Images for Reasoning
Authors: Wanqing Cui, Yanyan Lan, Liang Pang, Jiafeng Guo, Xueqi Cheng
论文地址https://arxiv.org/pdf/2010.05001
内容简介这篇论文发表在EMNLP 2020 Findings针对非 NLP 中的常识推理问题这篇论文提出了一种从图像中学习常识的新颖的方法。这项研究的动机来自这样一个事实一幅图像具有大约一千个单词的价值可以利用更丰富的场景信息来帮助提取常识知识。这篇论文中提出的模型为Loire其包括两个阶段在第一阶段基于文本表示模型ViBERT采用双模态的 sequence-to-sequence方法来执行场景图生成任务。这样所需的视觉场景知识例如空间关系通过监督学习过程使用诸如COCO之类的双模态数据在ViBERT中进行编码。然后将ViBERT与预训练语言模型连接起来以执行下游的常识推理任务。 Advanced Semantics for Commonsense Knowledge Extraction
Authors: Tuan-Phong Nguyen, Simon Razniewski, Gerhard Weikum
论文地址https://arxiv.org/pdf/2011.00905.pdf
内容简介这篇论文是发表在Arxiv上最新的关于常识知识抽取的研究。有关概念及其属性的常识知识CSK对于AI的一些应用例如鲁棒的聊天机器人很有用。已有的一些常识知识库例如ConceptNetTupleKB等的表达受限于主谓宾SPO三元组的形式。这篇论文提出了一种称为Ascent的方法该方法可自动构建CSK断言的大规模知识库与以前的工作相比具有更强的表达能力更好的准确性和可使用性。通过取得具有subgroups和aspects的组合概念以及通过语义facet完善声明Ascent超越了三元组。Ascent使用语言模型将开放信息提取与数据清洗相结合。内部评估显示了Ascent KB出色的规模和质量而对质量检查支持任务的外部评估进一步说明了了Ascent的优势。 COMET-ATOMIC 2020: On Symbolic and Neural Commonsense Knowledge Graphs
Authors: Jena D. Hwang, Chandra Bhagavatula, Ronan Le Bras, Jeff Da, Keisuke Sakaguchi, Antoine Bosselut, Yejin Choi
论文地址https://arxiv.org/pdf/2010.05953
内容简介这篇论文是最新提出的一个评估常识知识图谱的研究。由于全面涵盖一般常识知识所需的规模巨大手动构建的常识知识图谱难以达到NLP遇到的所有情况所必需的覆盖范围。因此这篇论文提出了ATOMIC2020这是一种新颖的常识知识图谱其中包含元组的关联这些元组是专门选择的对于预训练语言模型具有一定的挑战性。实验结果表明ATOMIC2020包含跨多个新型关系的高精度知识元组而现有的常识知识图谱或语言模型无法对这些关系进行表达。 Incorporating Structured Commonsense Knowledge in Story Completion
Authors: Jiaao Chen, Jianshu Chen, Zhou Yu
论文地址https://ojs.aaai.org/index.php/AAAI/article/view/5183/5055
内容简介这篇论文是发表在AAAI 2019上的关于利用常识知识来完成故事结局预测的研究。故事结局预测不仅需要上下文中的明确线索还需要隐性知识例如常识以构建合理且一致的故事。但是大多数先前的方法并未明确使用背景常识知识。这篇论文提出了一个神经故事结局选择模型该模型集成了三种类型的信息叙事序列情感演变和常识知识。实验表明提出的模型在公开数据集ROCStory Cloze Task上的表现优于最新方法并且通过添加其他常识知识可显着提高性能。 Enhancing Pre-Trained Language Representations with Rich Knowledge for Machine Reading Comprehension
Authors: An Yang,Quan Wang,Jing Liu,Kai Liu,Yajuan Lyu,Hua Wu,Qiaoqiao She,Sujian Li
论文地址https://www.aclweb.org/anthology/P19-1226.pdf
内容简介这篇论文是发表在ACL 2019上的关于利用常识知识实现机器阅读理解的研究。机器阅读理解MRC是NLP中一项至关重要且具有挑战性的任务。最近预训练语言模型LM在MRC中展现了优异的效果。这篇论文研究了利用外部常识知识库WordNet和NELL进一步改善MRC的BERT的潜力提出了KT-NET模型其采用一种注意力机制从知识图谱中自适应地选择所需的知识然后将选定的知识与BERT融合以实现上下文和知识感知的预测。实验结果表明KT-NET在ReCoRD和SQuAD1.1上优于baselines。 Diverse and Informative Dialogue Generation with Context-Specific Commonsense Knowledge Awareness
Authors: Sixing Wu,Ying Li,Dawei Zhang,Yang Zhou,Zhonghai Wu
论文地址https://www.aclweb.org/anthology/2020.acl-main.515.pdf
内容简介这篇论文是发表在ACL 2020上关于利用常识知识实现生成式对话的研究。生成式对话系统倾向于产生通用的响应这通常会导致无聊的对话。为了解决这个问题最近的研究提出从知识图谱中检索和引入知识事实但通常仅基于实体词本身来检索知识事实而不考虑特定的对话上下文。为此这篇论文提出了一种新颖的常识性知识对话生成模型ConKADI将重点放在与上下文高度相关的知识事实上。同时为了促进知识在ConKADI中的集成提出了两种技术上下文知识融合和灵活模式融合。这篇论文中还收集并建立了一个符合常识的大规模中文数据集以进行对话。 Visual Commonsense R-CNN
Authors: Tan Wang, Jianqiang Huang, Hanwang Zhang, Qianru Sun
论文地址https://arxiv.org/pdf/2002.12204.pdf
内容简介这篇论文是发表在CVPR 2020上关于视觉常识任务的研究。论文中提出了一种新颖的无监督特征表示学习方法VC R-CNN其可以基于任何R-CNN框架仅使用特征级联就可以支持各种高级任务。VCR-CNN的关键创新之处在于学习目标是基于常识知识提供的因果干预的。大量实验显示在几乎所有强大的基准和指标上性能均获得了惊人的提升。接下来作者还计划研究将VC R-CNN应用于其他模式如视频和3D点云等任务中。 往期精选
常识推理相关最新研究进展
速览EMNLP 2020上录取的知识图谱相关论文
介绍一些知识图谱的实际应用类项目
知识图谱最新权威综述论文解读知识表示学习部分
手把手教你搭建一个中式菜谱知识图谱可视化系统 如果对文章感兴趣欢迎关注知乎专栏“人工智能遇上知识图谱“也欢迎关注同名微信公众号“人工智能遇上知识图谱”让我们一起学习并交流讨论人工智能与知识图谱技术。
