[論文レビュー] Enriching Large-Scale Eventuality Knowledge Graph with Entailment Relations

Changlong Yu, Hongming Zhang+3 more|arXiv (Cornell University)|Jun 21, 2020

Topic Modeling参考文献 24被引用数 10

ひとこと要約

本稿では、最終的状況を述語・目的語構造に分解し、対照的包含関係を局所的に適用し、選択された包含経路に沿って関係を伝搬することで、大規模な最終的状況包含グラフ（EEG）を自動的に構築するスケーラブルな3段階フレームワークを提案する。この手法により、1000万ノードおよび1億300万エッジの高品質なEEGが生成され、共通認識推論のためのASER知識グラフが顕著に豊かになる。

ABSTRACT

Computational and cognitive studies suggest that the abstraction of eventualities (activities, states, and events) is crucial for humans to understand daily eventualities. In this paper, we propose a scalable approach to model the entailment relations between eventualities ("eat an apple'' entails ''eat fruit''). As a result, we construct a large-scale eventuality entailment graph (EEG), which has 10 million eventuality nodes and 103 million entailment edges. Detailed experiments and analysis demonstrate the effectiveness of the proposed approach and quality of the resulting knowledge graph. Our datasets and code are available at https://github.com/HKUST-KnowComp/ASER-EEG.

研究の動機と目的

• 人間のような出来事の抽象化に不可欠な、大規模な最終的状況知識グラフにおける包含関係の欠如に取り組むこと。
• 単純な型付き述語や命題をはるかに超える、数百万の複雑なN項の最終的状況ノードを扱えるスケーラブルで教師なしの手法を開発すること。
• 専門家がアノテートしたデータや非効率な推論に依存するため、既存の包含グラフ手法がしばしば小規模でドメイン特化されたグラフに制限されているという限界を克服すること。
• 完全な推移的閉包を避ける代わりに、重要な包含経路を選択することで、大規模な最終的状況におけるグローバルかつ効率的な推論を可能にすること。
• 下流の推論タスクを支援する明示的で解釈可能な包含関係を、ASER知識グラフに追加すること。

提案手法

• 各最終的状況を（述語、引数の集合）構造に分解し、引数には主語、目的語、介詞句、形容詞が含まれる。
• 述語および引数レベルの包含スコアを用いた局所的構成的推論を適用し、分解された最終的状況同士の対照的包含関係を同定する。
• 高信頼度の述語包含経路に沿って包含関係を選択的に伝搬する経路ベースのグローバル推論メカニズムを構築し、完全な推移的閉包を回避する。
• 生コーパスからの言語的パターンとブートストラップを活用して初期の最終的状況と関係を抽出し、広範なオープンドメインカバレッジを確保する。
• ソフト制約メカニズムを用いて局所的包含スコアをグローバルな包含経路に一般化し、スケーラビリティと効率性を向上させる。
• 得られた包含グラフを既存のASER知識グラフと統合し、より密で意味的に豊かなリソースを構築する。

実験結果

リサーチクエスチョン

• RQ1 スケーラブルで教師なしの手法は、N項の句構造を持つ複雑でオープンドメインの最終的状況間で包含関係を効果的に同定できるか？
• RQ2 述語および引数レベルでの局所的構成的推論と、グローバルな経路ベースの伝搬をどのように統合することで、スケールを保ちながら正確性を維持できるか？
• RQ3 本手法は、大規模でオープンドメインの知識グラフにおいて、従来の包含グラフ構築手法に比べて、スケーラビリティと品質の点でどの程度優れているか？
• RQ4 得られた包含関係は、ASERのような既存の最終的状況知識グラフの推論能力をどの程度向上させるか？
• RQ5 曖昧な代名詞や代名詞に基づく最終的状況を扱う際、この手法の主な失敗モードと限界は何か？

主な発見

• 提案手法は、1000万ノードおよび1億300万エッジを有する大規模な最終的状況包含グラフ（EEG）を成功裏に構築し、ASER知識グラフを顕著に豊かにした。
• 局所的構成的推論と経路ベースのグローバル伝搬の組み合わせにより、高品質な包含関係が達成され、従来のILPベースの手法に比べてスケーラビリティで優れた性能を示した。
• 誤り分析の結果、誤検出の主な原因は曖昧な代名詞やデータスパarsityに起因しており、解消のための意味解釈や正則化の改善の余地があることが示された。
• 得られたEEGは、「原因」や「包含」などの関係を統合的に扱えるようになり、複雑な推論タスクにおけるグラフの有用性を高めた。
• このフレームワークは効率的かつスケーラブルであり、数百万ノードを処理可能であり、オープンドメインの大規模知識グラフ拡張の実現可能性を示した。
• データセットとコードは https://github.com/HKUST-KnowComp/ASER-EEG で公開されており、再現性とさらなる研究を支援している。