Causal schema induction for knowledge discovery
Allen Institute for AI(艾伦人工智能研究所);Brandeis University(布兰迪斯大学);Tohoku University(东北大学);Paul G. Allen School of Computer Science & Engineering(保罗·G·艾伦计算机科学与工程学院);University of Colorado Boulder(科罗拉多大学博尔德分校)
理解熟悉但又陌生的情况通常涉及对因果图式的概括,这些图式是帮助人类推理事件序列的故事。关于事件的推理包括识别事件实例之间共享的因果关系,我们称之为因果图式归纳的过程。统计图式归纳系统可以利用话语中编码的结构知识或与事件意义相关的因果图,然而研究这种因果结构的资源数量很少,规模有限。在这项工作中,我们研究如何将图式归纳模型应用于知识发现的任务,以增强英语新闻文本的搜索。为了解决数据稀缺的问题,我们提出了Torquestra,一个手动策划的数据集的文本图形模式单元集成时间,事件和因果结构。我们在三个知识发现任务上对数据集进行基准测试,为每个任务构建和评估模型。结果表明,利用因果结构的系统是有效的识别文本共享相似的因果意义组件,而不是依赖于词汇线索。我们将数据集和模型用于研究目的。
2023-03-27 cs.CL
SPARROW: Scalable Taxonomy Induction via Structure-Preserving Partitioning and Constraint-Guided Merging
School of Computing, National University of Singapore(新加坡国立大学计算机学院)
针对大概念集分类法归纳性能退化问题,提出SPARROW框架,采用结构保持谱分区与约束引导合并,解决结构碎片化和父节点错位,在大型基准上取得最优全局结构质量。
2026-09-09 cs.CL
Transforming Slot Schema Induction with Generative Dialogue State Inference
Emory University(埃默里大学)
本文提出 GenDSI 生成式对话状态推理方法,在无任务先验知识下生成槽位名称与值并聚类形成槽位模式,在 MultiWOZ 和 SGD 上超越 SSI 既有最优方法。
2024-08-03 cs.CL
Induce, Align, Predict: Zero-Shot Stance Detection via Cognitive Inductive Reasoning
Shenzhen Technology University(深圳技术大学);University of Science and Technology of China(中国科学技术大学)
本文提出CIRF框架,通过认知归纳推理实现零样本立场检测,实现高效且可解释的推理,在低资源环境下取得新突破。
2026-01-26 cs.CL
Joint Learning Templates and Slots for Event Schema Induction
Key Laboratory of Computational Linguistics, Ministry of Education(教育部计算语言学重点实验室);School of Electronics Engineering and Computer Science, Peking University(北京大学电子工程与计算机科学学院);Collaborative Innovation Center for Language Ability(语言能力协同创新中心)
自动事件模式归纳(AESI)是指从原始文本中提取元事件,即找出原始文本中可能存在的事件类型(模板)以及每种事件类型中可能存在的角色(槽)。在本文中,我们提出了一个联合实体驱动的模型来学习模板和槽在同一个句子中的模板和槽的约束的基础上同时进行。此外,实体的内部连通性也考虑了实体的语义信息。我们借用图像分割中的归一化切割准则,将实体划分为更精确的模板簇和槽簇。实验结果表明,该模型的预测效果优于以往的研究成果.
2016-03-04 cs.CL
Prompt-based Graph Model for Joint Liberal Event Extraction and Event Schema Induction
Peking University School of Software(北京大学软件学院)
提出基于提示的图模型PGLEE,联合进行自由事件抽取与事件模式归纳,无需预定义模式即可高效抽取事件并发现高质量模式。
2024-03-19 cs.CL
Generative Induction of Dialogue Task Schemas with Streaming Refinement and Simulated Interactions
Department of Computer Science(计算机科学系);Emory University(埃默里大学)
本文提出一种基于生成式文本生成与流式细化、结合模拟交互的槽位模式归纳方法,并改进评估数据与指标,推动对话系统理解与开发。
2025-04-25 cs.CL
KB-Plugin: A Plug-and-play Framework for Large Language Models to Induce Programs over Low-resourced Knowledge Bases
Tsinghua University(清华大学);Beijing Institute of Technology(北京理工大学)
针对低资源知识库缺乏标注数据导致大语言模型程序归纳困难的问题,提出即插即用框架KB-Plugin,通过模式插件和PI插件实现低资源KB上的程序归纳,在小25倍骨干模型下性能优于或持平现有最优方法,接近监督方法水平。
2024-02-02 cs.CL
Higher-order Relation Schema Induction using Tensor Factorization with Back-off and Aggregation
Indian Institute of Science(印度科学学院);Microsoft(微软)
关系模式归纳(RSI)是从未标记文本中识别关系参数的类型签名的问题。这一领域的大多数先前工作仅集中在二进制RSI上,即,每个关系仅引入主体和对象类型签名。然而,在实践中,许多关系是高阶的,即,它们有两个以上的参数,并且所有参数的归纳类型签名都是必要的。例如,在体育领域中,引入模式win(WinningPlayer,OpponentPlayer,Tournament,Location)比仅引入win(WinningPlayer,OpponentPlayer)信息量更大。我们把这个问题称为高阶关系模式归纳(HRSI)。在本文中,我们提出了张量分解与回退和聚合(TFBA),HRSI问题的一个新的框架。据我们所知,这是第一次尝试从未标记的文本中诱导高阶关系图式。通过对三个真实世界数据集的实验分析,我们展示了TFBA如何帮助处理稀疏性并诱导高阶模式。
2018-05-29 cs.CL cs.IR
ArcaneQA: Dynamic Program Induction and Contextualized Encoding for Knowledge Base Question Answering
The Ohio State University(俄亥俄州立大学)
基于知识库的问答(KBQA)是语义解析研究中的一个独特的挑战,这是由于两个相互交织的挑战:大的搜索空间和模式链接中的歧义。传统的基于排序的KBQA模型依赖于候选枚举步骤来减少搜索空间,在预测复杂查询时难以实现灵活性,并且具有不切实际的运行时间。在本文中,我们提出了ArcaneQA,一种新的代为基础的模型,解决了大搜索空间和模式链接的挑战,在一个统一的框架与两个相互促进的成分:动态程序归纳处理大搜索空间和动态上下文编码模式链接。在多个流行的KBQA数据集上的实验结果表明,ArcaneQA在有效性和效率方面都具有很强的竞争力。
2022-10-24 cs.CL
Human-in-the-Loop Schema Induction
University of Pennsylvania(宾夕法尼亚大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);University of Colorado, Boulder(科罗拉多大学博尔德分校)
该研究提出由GPT-3驱动的人在环路模式归纳系统,含提示生成、人工编辑、图转换模块,定性实验显示其跨域迁移性更优且能减少人工标注成本。
2023-02-25 cs.CL cs.HC
Relation Schema Induction using Tensor Factorization with Side Information
Indian Institute of Science(印度科学院)
给定来自特定域的一组文档(例如,医学研究期刊),我们如何自动构建该领域的知识图谱(KG)?自动识别关系及其模式,即,关系的参数的类型签名(例如,perceive(Patient,Surgery))是实现这一目标的重要的第一步。我们把这个问题称为关系模式归纳(RSI)。在本文中,我们提出了模式归纳使用耦合张量因子分解(SICTF),一种新的张量因子分解方法的关系模式归纳。SICTF分解从领域语料库中提取的开放信息抽取(OpenIE)三元组以及附加的边信息,以原则性的方式归纳关系模式。据我们所知,这是张量因式分解在RSI问题中的首次应用。通过对多个真实世界数据集的广泛实验,我们发现SICTF不仅比最先进的基线更准确,而且速度也快得多(大约快14倍)。
2016-11-16 cs.CL cs.DB cs.IR
Do Language Models Perform Generalizable Commonsense Inference?
University of Southern California(南加州大学);Information Sciences Institute(信息科学研究所)
受预先训练的语言模型(LM)编码常识知识的证据的启发,最近的工作应用LM自动填充常识知识图谱(CKG)。然而,人们对它们对多个CKG、看不见的关系和新实体的概括缺乏了解。本文从知识容量、可转移性和归纳性三个方面分析了LMs进行概括性常识推理的能力。实验结果表明:(1)LMs可以适应多个CKG定义的不同模式,但不能重用知识推广到新的关系。(2)适应的LM很好地概括了看不见的主题,但对新奇的对象则不那么普遍。未来的工作应该研究如何提高从LM的常识挖掘的可移植性和归纳。
2021-06-22 cs.AI cs.CL
Picturing Ambiguity: A Visual Twist on the Winograd Schema Challenge
Brock University(布鲁克大学)
本文提出WinoVis数据集和评估框架,通过GPT-4生成提示和DAAM热图分析,隔离文本到图像模型的代词消歧能力,发现Stable Diffusion 2.0准确率仅56.7%,略高于随机猜测,揭示了多模态推理的挑战。
2024-06-03 cs.AI cs.CL cs.CV
CEO: Corpus-based Open-Domain Event Ontology Induction
University of Southern California(南加州大学);Tencent AI Lab, Seattle(腾讯AI实验室(西雅图))
针对现有事件-centric NLP模型受限于预定义本体、泛化能力弱的问题,本文提出无直接监督的CEO模型,利用摘要数据集远程监督检测显著事件,结合外部知识优化事件嵌入,能生成覆盖度、准确率更高的层级事件本体,可适配11个开放域语料库。
2024-01-27 cs.CL
LLM-based Triplet Extraction from Financial Reports
KTH Royal Institute of Technology(皇家理工学院)
本文提出基于大语言模型的财务报告三元组提取方法,通过自动本体诱导和混合验证策略,提升提取准确率并减少幻觉问题。
2026-02-12 cs.CL
Automatic Intent-Slot Induction for Dialogue Systems
Ping An Life Insurance of China, Ltd.(中国平安人寿保险股份有限公司)
自动和准确地识别用户意图并从他们的口语中填充相关联的槽是对话系统成功的关键。传统的方法需要手动定义DOMAIN-INTENT-SLOT模式,并要求许多领域专家注释相应的话语,在此基础上训练神经模型。这一过程带来的挑战,信息共享阻碍,模式外,或数据稀疏的开放域对话系统。为了应对这些挑战,我们探索了一个新的任务{ \em自动意图槽归纳},并提出了一个新的域独立的工具。也就是说,我们设计了一个由粗到精的三步过程,包括角色标记、概念挖掘和模式挖掘(RCAP):(1)角色标记:从用户的话语中提取关键词,并通过序列标记将其分类为四个粗略定义的意图角色;(2)概念挖掘:将提取的意图角色提及聚类并将其命名为抽象的细粒度概念;(3)模式挖掘:将Apriori算法应用于意图角色模式的挖掘,并利用这些粗粒度的意图角色标签和细粒度的概念自动推断意图槽。在域内和域外数据集上的实验结果表明:(1)RCAP可以生成令人满意的SLU模式,性能优于现有的监督学习方法:(2)RCAP可以直接应用于域外数据集,在意图检测和槽填充上分别提高了76%和41%;(3)我们的RCAP在通用意图槽提取方面表现出了强大的功能,并且人工工作量更少,这为新领域的模式归纳和可推广的对话系统的不可见意图槽发现开辟了途径。
2021-03-16 cs.AI cs.CL
Human Schema Curation via Causal Association Rule Mining
Johns Hopkins University(约翰斯·霍普金斯大学);University of Maryland, College Park(马里兰大学帕克分校)
事件模式是定义典型的现实世界场景的结构化知识源(例如,去机场)。我们提出了一个框架,有效的人在循环建设的模式库,基于一个新的脚本感应系统和精心制作的界面,允许非专家“编程”复杂的事件结构。与这项工作相关的是,我们发布了一个模式库:一个包含232个详细事件模式的机器可读资源,每个模式都描述了一个不同的典型场景,包括相关的子事件结构(场景中发生了什么)、参与者(谁在场景中扮演了角色)、每个参与者的细粒度类型以及它们之间隐含的关系约束。我们使我们的模式库和SchemaBlocks接口在线可用。
2022-05-23 cs.AI cs.CL
From Retrieval to Reconstruction: Constructing Evolvable Cognitive Memory for Long-Term Dialogue
Tsinghua University(清华大学);Shenzhen International Graduate School(深圳国际研究生院)
本研究针对长期对话智能体的记忆问题,提出基于PEC²F图模式的CogMem认知记忆架构,结合图操作符重构查询相关上下文,在LoCoMo和LongMemEval数据集上的多跳等任务中表现优异。
2026-10-09 cs.CL
A Diffusion Model for Event Skeleton Generation
Harbin Institute of Technology, Shenzhen(哈尔滨工业大学(深圳));International Digital Economy Academy (IDEA)(国际数字经济研究院(IDEA))
本文提出首个用于事件骨架生成的扩散模型DEGM,通过嵌入与舍入技术、自定义边损失及去噪训练,将离散事件图转化为可学习潜在表示并迭代纠错,在三个IED数据集上优于现有方法。
2023-05-27 cs.CL
Open Domain Event Extraction Using Neural Latent Variable Models
Beijing Institute of Technology(北京理工大学);Zhejiang Lab(之江实验室);Westlake University(西湖大学);Westlake Institute for Advanced Study(西湖高等研究院)
我们考虑开放域事件提取,从新闻集群中提取无约束类型的事件的任务。构造了一种新的隐变量神经网络模型,该模型可扩展到非常大的语料库。收集数据集并手动注释,设计特定于任务的评估指标。结果表明,所提出的无监督模型提供了更好的性能相比,国家的最先进的事件模式归纳方法。
2019-06-17 cs.CL
Extending FKG.in: Towards a Food Claim Traceability Network
Ashoka University(阿什瓦克大学);UCI Institute for Future Health(加州未来健康研究所)
针对食品领域各类声明溯源基础设施碎片化的问题,研究团队扩展印度食品知识图谱FKG.in提出食品声明溯源网络FCN,结合Reddit数据与大语言模型构建原型,可适配多场景,助力打造透明可问责的食品知识生态。
2025-09-04 cs.AI cs.CL cs.IR
What is Event Knowledge Graph: A Survey
University of Chinese Academy of Sciences(中国科学院大学);Institute of Computing Technology, Chinese Academy of Sciences(中国科学院计算技术研究所);Tencent(腾讯)
除了以实体为中心的知识图谱(KG)外,事件也是世界上一种重要的知识,这就引发了以事件为中心的知识表示形式的兴起,如事件KG(EKG)。它在许多下游应用中发挥着越来越重要的作用,例如搜索,问答,推荐,金融量化投资和文本生成。本文从历史、本体、实例和应用四个方面对心电图进行了全面的综述。具体来说,表征心电图彻底,我们专注于它的历史,定义,图式归纳,收购,相关的代表性图形/系统,和应用。研究了其发展过程和趋势。我们进一步总结了前瞻性的方向,以促进未来的研究心电图。
2022-06-13 cs.AI cs.CL cs.LG