[論文レビュー] Consolidating Commonsense Knowledge

Filip Ilievski, Pedro Szekely+3 more|arXiv (Cornell University)|Jun 10, 2020

Topic Modeling参考文献 38被引用数 9

ひとこと要約

本稿では、標準化されたマッピングを用いて、7種類の多様な常識知識ソース（ConceptNet、Wikidata、Visual Genome、ATOMIC、WordNet、Roget、FrameNet）を統合することで、統一された常識知識グラフ（CSKG）を提案する。得られたCSKGは470万ノードおよび1720万エッジを統合し、4つの常識的QAデータセットにおいて、ConceptNet単体と比較して2–4倍のリCALLを達成し、カバレッジと推論用途の両面で向上を示した。

ABSTRACT

Commonsense reasoning is an important aspect of building robust AI systems and is receiving significant attention in the natural language understanding, computer vision, and knowledge graphs communities. At present, a number of valuable commonsense knowledge sources exist, with different foci, strengths, and weaknesses. In this paper, we list representative sources and their properties. Based on this survey, we propose principles and a representation model in order to consolidate them into a Common Sense Knowledge Graph (CSKG). We apply this approach to consolidate seven separate sources into a first integrated CSKG. We present statistics of CSKG, present initial investigations of its utility on four QA datasets, and list learned lessons.

研究の動機と目的

• 常識的知識の断片化を是正し、複数の独立したソースを統一的かつ相互運用可能な知識グラフに統合すること。
• 既存の知識ソースが焦点、表現、カバレッジの点でばらつきを示しており、きめ細やかな常識的推論を阻害しているという課題を克服すること。
• 異種の知識ソースを1つの整合的かつ接続性の高いグラフに統合するための、原理的でモジュラーかつスケーラブルなフレームワークを構築すること。
• 統合グラフの下流の常識的質問応答タスクにおける有効性を評価し、個々のソースと比較してその追加的価値を示すこと。

提案手法

• 単純性、モularity、有用性、高品質なリンク最大化、自然言語へのアクセス性の5つの中心的原則を設計する。
• 最小限のエッジタイプと豊富なノードプロパティを備えたプロパティグラフモデルを定義し、多様な表現形式を統一する。
• 共有識別子と意味的アライメントを用いたクロスソースマッピングを実施し、たとえばFrameNetフレームをConceptNetの概念に、Visual Genomeの属性をConceptNetの関係にリンクする。
• 同等のエンティティを統合するための正規化および重複除去パイプラインを適用し、冗長性を低減しながら意味的多様性を保持する。
• 一貫性と品質を確保するため、ルールベースのマッピングとヒューマンインザループによる検証を組み合わせたハイブリッドアプローチを採用する。
• グラフ埋め込みを生成し、4つの常識的QAベンチマークを用いてCSKGの推論有用性を評価する。

実験結果

リサーチクエスチョン

• RQ1 複数の異種の常識的知識ソースを、一貫した方法で1つの整合的知識グラフに統合するにはどうすればよいか？
• RQ2 個々のソース（例：ConceptNet）と比較して、統合されたCSKGは常識的QAタスクにおける検索パフォーマンスをどの程度向上させるか？
• RQ3 語彙的、出来事的、視覚的、およびオントロジカルな知識に焦点を当てた異なるソースを統合するにあたり、主な課題と設計原則は何か？
• RQ4 CSKGの接続性とカバレッジは、その構成要素となるソースと比較してどの程度であるか？また、その推論能力の向上を裏付ける証拠は何か？
• RQ5 CSKGは、将来のAIシステムが深く状況に即した常識的推論を必要とする場合に、堅牢で拡張可能な知識ベースとして機能できるか？

主な発見

• CSKGは、7種類の多様なソースから470万ノードおよび1720万エッジを統合し、高いソース間リンク性を持つ接続性の高いグラフを形成した。
• 4つのベンチマークQAデータセットにおいて、CSKGはConceptNet単体と比較して、関連する常識的三項節のリCALLを2–4倍向上させた。
• 統合プロセスにより、FrameNetフレームをConceptNetの概念に、Visual Genomeの属性をConceptNetの関係にマッピングするなど、ソース間のエンティティマッピングに成功した。
• グラフは強化された推論能力を示し、正解の裏付けとなる複数のソースからの証拠が得られた。たとえば、ピアノを弾くには座る必要があり、鍵盤に触れなければならない。
• 誤り分析の結果、欠落した知識が既存のQAシステムの失敗の主な要因であることが示され、CSKGの拡張されたカバレッジがこのギャップを直接是正している。
• CSKGはCC BY-SA 4.0のライセンスで公開されており、将来的な研究における広範な再利用と拡張性を可能にしている。