[论文解读] Generating Negative Commonsense Knowledge.

Tara Safavi, Danai Koutra|arXiv (Cornell University)|Nov 15, 2020

Topic Modeling参考文献 7被引用 7

一句话总结

本文提出NegatER，一种用于生成负面常识知识以增强知识库的框架，旨在解决知识补全任务中获取有意义负面样本的挑战。实证评估表明，NegatER生成的负面陈述具有内在价值和外在实用性，能够提升下游推理与知识库补全性能。

ABSTRACT

The acquisition of commonsense knowledge is an important open challenge in artificial intelligence. In this work-in-progress paper, we study the task of automatically augmenting commonsense knowledge bases (KBs) with novel statements. We show empirically that obtaining meaningful negative samples for the completion task is nontrivial, and propose NegatER, a framework for generating negative commonsense knowledge, to address this challenge. In our evaluation we demonstrate the intrinsic value and extrinsic utility of the knowledge generated by NegatER, opening up new avenues for future research in this direction.

研究动机与目标

• 解决常识知识库（KB）补全任务中获取有意义负面样本的开放性挑战。
• 克服生成语义有效且信息丰富的负面陈述的非平凡困难。
• 开发一种系统化方法，自动生成新颖的负面常识知识以增强知识库。
• 在下游任务中展示生成的负面知识在内在质量与外在效用方面的表现。

提出的方法

• 设计一个名为NegatER的框架，通过反转或对比正向知识条目来生成负面常识陈述。
• 利用现有的常识知识库作为正向事实的来源，推导出合理的负面对应项。
• 应用语言学与逻辑转换技术，确保生成的负面陈述在语义上连贯且相关。
• 结合基于模板与神经生成的技术，生成多样化且逼真的负面陈述。
• 确保生成的负面陈述在事实层面与已知正向事实不一致，同时保持语法与语境上的合理性。
• 通过内在与外在评估协议对生成负面陈述的质量进行评估。

实验结果

研究问题

• RQ1 如何系统化地生成有意义的负面常识陈述，以补充现有的正向知识？
• RQ2 哪些技术能够生成高质量的负面样本，使其在语义上合理且与已知事实在事实上不一致？
• RQ3 生成的负面陈述在多大程度上提升了下游知识补全任务的性能？
• RQ4 生成的负面知识的内在质量与人工标注的负面样本相比如何？

主要发现

• 生成有意义的负面常识知识具有非平凡性，需要超越简单数据增强的专门技术。
• NegatER成功生成了语义连贯且与正向事实在事实上不一致的负面陈述。
• 通过质量评估指标，生成的负面知识展现出内在价值。
• 这些负面陈述在提升知识补全模型性能方面表现出外在实用性。
• 实证评估证实，NegatER增强了知识库推理系统在鲁棒性与泛化能力方面的表现。
• 该框架为将负面知识整合到人工智能系统中以提升推理能力与可靠性开辟了新的研究方向。