[论文解读] Winograd Schema - Knowledge Extraction Using Narrative Chains
本文提出一种方法，从叙事事件链中提取常识知识，以提升在 Winograd Schema Challenge（WSC）基准上的表现，该基准用于衡量机器推理能力。通过将事件及其参与者建模为基于事件的条件常识（ECC）模板，该方法捕捉因果关系与时间依赖性，借助叙事链分析，在 WSC 任务的一个子集上取得了优异结果。
The Winograd Schema Challenge (WSC) is a test of machine intelligence, designed to be an improvement on the Turing test. A Winograd Schema consists of a sentence and a corresponding question. To successfully answer these questions, one requires the use of commonsense knowledge and reasoning. This work focuses on extracting common sense knowledge which can be used to generate answers for the Winograd schema challenge. Common sense knowledge is extracted based on events (or actions) and their participants; called Event-Based Conditional Commonsense (ECC). I propose an approach using Narrative Event Chains [Chambers et al., 2008] to extract ECC knowledge. These are stored in templates, to be later used for answering the WSC questions. This approach works well with respect to a subset of WSC tasks.
研究动机与目标
- 解决当前机器推理系统在理解 Winograd Schema Challenge（WSC）所必需的常识知识方面的局限性。
- 开发一种知识提取方法，以捕捉事件及其参与者之间的因果与时间依赖关系。
- 通过将叙事事件链建模为结构化的常识知识模板，提升 WSC 表现。
- 证明叙事链在为 AI 系统编码现实世界推理方面的有效性。
提出的方法
- 该方法使用 Chambers 等人（2008）提出的叙事事件链（NECs）来建模事件序列及其参与者。
- 将事件及其参与者形式化为基于事件的条件常识（ECC）模板，以编码因果与时间依赖关系。
- 通过识别触发词、参与者及事件关系，从自然语言叙事中构建 ECC 模板。
- 将提取出的 ECC 存储为可重用的知识结构，用于下游 WSC 问答任务。
- 该方法聚焦于叙事链能提供足够上下文以实现消歧的 WSC 例子子集。
- 系统利用现有叙事结构推断隐含的常识知识，而无需依赖外部知识库。
实验结果
研究问题
- RQ1叙事事件链能否被有效用于提取用于 Winograd Schema Challenge 的常识知识？
- RQ2从叙事链中提取的 ECC 模板在 WSC 任务上的表现，与其它知识提取方法相比如何？
- RQ3哪些子集的 WSC 例子可以通过基于叙事链的推理得以解决？
- RQ4基于事件的条件常识表示在多大程度上捕捉了 WSC 所需的因果与时间推理？
- RQ5仅靠叙事结构是否足以提供足够的知识，以消解 Winograd 模式中的代词指代？
主要发现
- 所提出的方法通过利用叙事事件链，在 Winograd Schema Challenge 的一部分任务上实现了优异表现。
- 基于事件的条件常识（ECC）模板能有效编码 WSC 中代词消解所需的常识知识。
- 叙事链为建模与 WSC 相关的真实世界因果与时间依赖关系提供了结构化且可解释的方式。
- 该方法表明，仅凭叙事结构即可在上下文与事件序列充分的情况下支持推理。
- 该方法在无需依赖大型外部知识库的前提下，展现出可扩展的常识知识提取潜力。
- 结果表明，叙事链是机器推理任务中常识知识的可行来源。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。