主题: TransOMCS: From Linguistic Graphs to Commonsense Knowledge

摘要: 常识图谱获取是人工智能的关键问题。 获取常识图谱的常规方法通常需要费力且昂贵的人工注释,这在大规模上是不可行的。 在本文中,我们探索了一种从语言图中提取常识图谱的实用方法,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图谱。 结果是将大型选择偏好知识资源ASER转换为与ConceptNet相同表示的TransOMCS。实验结果证明了语言知识到常识知识的转移性以及所提出方法在数量,新颖性和质量方面的有效性。

成为VIP会员查看完整内容
35

相关内容

【IJCAI2020】TransOMCS: 从语言图谱到常识图谱
专知会员服务
34+阅读 · 2020年5月4日
图卷积神经网络蒸馏知识,Distillating Knowledge from GCN
专知会员服务
94+阅读 · 2020年3月25日
【AAAI2020知识图谱论文概述】Knowledge Graphs @ AAAI 2020
专知会员服务
132+阅读 · 2020年2月13日
17篇知识图谱Knowledge Graphs论文 @AAAI2020
专知会员服务
167+阅读 · 2020年2月13日
ACL 2019 知识图谱的全方位总结
AI科技评论
6+阅读 · 2019年8月8日
ICLR 2019 | 基于复杂空间关系旋转的知识表示方法
PaperWeekly
15+阅读 · 2019年7月29日
技术动态 | TechKG:一个面向中文学术领域的大型知识图谱
开放知识图谱
25+阅读 · 2018年12月20日
论文浅尝 | 基于知识图谱子图匹配以回答自然语言问题
开放知识图谱
25+阅读 · 2018年6月26日
论文浅尝 | Question Answering over Freebase
开放知识图谱
18+阅读 · 2018年1月9日
Arxiv
14+阅读 · 2019年11月26日
Arxiv
15+阅读 · 2019年9月11日
Arxiv
11+阅读 · 2018年9月28日
Arxiv
15+阅读 · 2018年4月5日
VIP会员
相关论文
Arxiv
14+阅读 · 2019年11月26日
Arxiv
15+阅读 · 2019年9月11日
Arxiv
11+阅读 · 2018年9月28日
Arxiv
15+阅读 · 2018年4月5日
微信扫码咨询专知VIP会员