【IJCAI2020】从语言图谱到常识图谱，TransOMCS: From Linguistic Graphs to Commonsense Knowledge

题目： TransOMCS: From Linguistic Graphs to Commonsense Knowledge

摘要： 常识知识的获取是人工智能的关键问题。传统的获取常识的方法通常需要费力且昂贵的人工标记，而大规模的人工标记是不可行的。本文探讨了一种从语言图形中挖掘常识性知识的实用方法，目的是将通过语言模式获得的廉价知识转化为昂贵的常识性知识。其结果是将大规模的选择性知识资源ASER转换为与ConceptNet具有相同表示的Transomc，但要大两个数量级。实验结果证明了语言知识对常识的转化能力，以及该方法在数量、新颖性和质量方面的有效性。