ATOMIC：An Atlas of Machine Commonsense for If-Then Reasoning

AAAI 2019.2

包含87万条推理常识的知识图谱，和基于本体论分类条目的kg相比，这个知识库专注于“如果…那么…”关系的知识。

9种类型的因果联系来区分原因-效果、主体-主题、自愿-非自愿、行动-心理状态。

通过生成式训练，模型可以从kg中获取简单的常识推理能力。

人类在观察事件的一个小片段时，能够轻松地推理出事件的前因后果。

（图片的呈现信息，是一个人；而一段话的呈现信息，似乎不是很够。所以如果能够像人一样知道前因后果，相当于可以根据一段文字推理出内容，形容一个生动的故事。）

比如：事件“x防御了y的攻击”，我们能够马上推理出

x的动机是“保护自己”、

x这么做的先决条件是接受了一定的防身技巧、

x可能的特点是强壮勇敢。

事件的结果可能是：

x会感觉生气并报警、

y可能会觉得害怕并想要逃走。

正是由于人类具备常识推理的能力，才能通过一部2个小时的电影理解一个长达几个月的故事。而这种能力对于当代的AI系统而言则是欠缺的，因为这些系统是在任务驱动的数据集上训练的，没怎么接触过常识。所以作者提出了ATOMIC常识图谱，目标是做到大规模、高覆盖和高质量。

3大类型组成的9个关系和877k的（事件、关系、事件）三元组构成。分别是：

事件导致心理状态：（同 event2mind）
1. x intent：x为什么想发起这次事件
2. x reaction：x在此次事件之后的感受
3. other reaction：其他人在这次事件之后的感受
事件导致事件
1. x need：x需要干什么才能导致这次事件
2. effect on x：这次事件对x的影响（和x reaction 有点像，区别在于心理状态和事件）
3. x want：x在这次事件之后想干什么
4. other want：其他人在这次事件之后想干什么
5. effect on other：这次事件对其他人的影响
事件导致表象人格（事件发生后别人是如何看待该主体的，比如x报警则别人会认为x是一个负责懂法的人）
1. x attribute：别人会如何看待x

以上层级也可以通过另一个层级结构来描述：

这种层级结构主要关注原因、效果和状态。每个分类又可以根据推理发生在主体（自己）还是主题（他人）继续划分。

标注完成后的知识库一共含有300k个节点，24k个事件。

标注结果的内部一致率是86%。

拿80%的数据训练一个seq2seq生成模型，去测试集上生成9个关系，用bleu或人工判断生成的效果如何。由于这些关系有层级结构，所以衍生出在同一个大类中复用同一个encoder，针对小类采用不同的decoder的各种模型变种。

人工评测结果，大部分关系的准确率在50%左右。

来源：CSDN

作者：谁怕平生太急

链接：https://blog.csdn.net/jinselizhi/article/details/103864222

标签