因果知识图谱自然语言理解

在《元素认知》(Elemental Cognition, EC)中，我们正在构建能够阅读、推理和理解文本的AI系统，通过构建能够捕捉文本潜在含义的逻辑和因果模型。一个基本的挑战是，AI系统通常缺乏构建丰富文本解释模型所需的常识性背景知识。要解决这一问题，需要解决两个问题: 首先，我们需要获得经常隐含的、高度多样化的常识性知识; 其次，我们需要开发有效的技术，将这些知识整合到人工智能推理系统中。在EC，我们已经开发了这两个问题的解决方案——我们创建了GLUCOSE，这是一个高质量的半结构化常识知识图谱，包含约600K的因果规则，是众包的(使用Amazon Mechanical Turk)，然后，我们使用GLUCOSE知识作为种子数据来微调大型的预训练过的语言模型，以构建“动态规则生成器”，并将其插入我们的神经符号推理机Braid中。在这次演讲中，我将描述我们如何构建和使用GLUCOSE来解决一个进行语言理解的AI推理系统的知识获取瓶颈。

https://web.stanford.edu/class/cs520/abstracts/kalyanpur.html