目前,没有一致的模型用于在视觉上或正式地表示AI系统的架构。这种缺乏代表性在现有模型和系统的描述中带来了解释性,正确性和完整性挑战。 DIAL(图解人工智能语言)是为人工智能系统作为“工程原理图”的愿望而创建的。它在此作为AI系统的通用图解语言的社区对话的起点。
translated by 谷歌翻译
我们介绍了Graphene,一个开放式IE系统,其目标是生成准确,有意义和完整的命题,可以促进各种下游语义应用。为此,我们将语法复杂的输入句子转换为核心事件和伴随语境形式的清晰,紧凑的结构,同时识别它们之间的修辞关系以保持它们的语义关系。换句话说,我们保留从源语句中提取的关系元组的上下文,为Open IE生成一种新的轻量级语义表示,增强了提取命题的表达能力。
translated by 谷歌翻译
我们提出了一种开放信息提取(IE)方法,该方法使用由分离解除层和短语解除层组成的双层转换阶段,以及修辞关系识别。这样,我们将呈现复杂语言结构的句子转换为简化的,语法上的从句子关系元组和伴随语境信息的形式中,我们可以从中通过修辞关系提取以两层结构表示的命题。在对比评估中,我们证明我们的参考实现Graphene在构建正确的n-arypredicate-argument结构时优于最先进的Open IE系统。此外,我们表明现有的Open IEapproroach可以从我们框架的转换过程中受益。
translated by 谷歌翻译
术语的自然语言定义可以作为知识的丰富来源,但是将它们构造成可理解的语义模型是使它们能够用于语义解释任务的必要条件。我们提出了一种方法,并提供了一套工具,用于从自然语言定义中自动构建graphworld知识库。采用由字典定义的一组语义角色组成的概念模型,用于自动标记定义的分类器,准备数据稍后转换为图形表示。 WordNetGraph是根据这种方法建立的名词和动词WordNet定义的知识图,成功地用于可解释的文本蕴涵识别方法,该方法使用该图中的路径为蕴涵决策提供明确的理由。
translated by 谷歌翻译
文本中术语之间语义关系的识别是自然语言处理中的基础任务,它可以支持需要轻量级语义解释模型的应用程序。目前,语义关联分类集中于在开放域数据上评估的关系。这项工作提供了对用于语义关系分类的抽象关系集的批评,该抽象关系用于表达在特定于域的语料库中找到的术语之间的关系的可用性。在此分析的基础上,本文提出了基于重用和扩展DOLCE本体中存在的抽象关系集的替代语义关系模型。由此产生的关系集是有充分根据的,允许捕获广泛的关系,因此可以用作语义关系的自动分类的基础。
translated by 谷歌翻译
理解术语之间的语义关系是自然语言处理应用程序中的基本任务。虽然以正式方式表达这些关系的结构化资源(如本体)仍然存在,但是大量的语言资源收集字典定义变得可用,但理解自然语言定义的语义结构是使它们在语义解释任务中有用的基础。基于对WordNet的一个子集的分析,我们提出了一组构成adictionary定义的语义结构的语义角色,并展示了它们如何与定义的语法结构相关联,识别可用于信息提取开发的模式。框架和语义模型。
translated by 谷歌翻译
语义标注是处理大规模词汇信息的基础,将信息映射到可以应用规则和算法的可枚举类别集,基础本体类可以用作这类任务的正式类别集。 WordNet名词同义词和DOLCE之间的先前对齐提供了基于牙科学的注释的起点,但在NLP任务中,动词也具有实质性的重要性。这项工作提供了WordNet-DOLCE名词映射的扩展,根据它们与表示perdurants的名词的链接来对齐动词,将动词DOLCE类转移到最能代表动词出现的名词。为了评估该资源的有用性,我们实现了一个基于本体的基础语义标注框架,为文本中的每个单词或短语分配一个高级基础类别,并将其与类似的注释工具进行比较,获得增加的9.05准确度%。
translated by 谷歌翻译
我们提供了迄今为止为解决开放信息提取任务而提出的各种方法的详细概述。我们提出了这些系统面临的主要挑战,随着时间的推移展示了建议的方法的演变,并描述了它们所解决的具体问题。此外,我们对常用的评估程序进行了批评,以评估Open IE系统的性能,并强调未来工作的一些方向。
translated by 谷歌翻译
序列到序列模型是NLP的强大主力。大多数变体在其注意机制和输出层中都采用softmax变换,导致密集对齐和严格正输出概率。这种密度是浪费的,使得模型可解释性较差,并为许多难以置信的输出分配概率质量。在本文中,我们提出了sparsese序列到序列模型,植根于$ \ alpha $ -entmaxtransformations的新系列,其中包括softmax和sparsemax作为特定情况,并且对于任何$ \ alpha> 1 $都是稀疏的。我们提供快速算法来评估这些变换及其渐变,这些算法可以很好地扩展到大型词汇表。我们的模型能够生成稀疏对齐并将非非可置性分配给可能输出的简短列表,有时会使波束搜索精确。形态学变形和机器平移的实验揭示了密集模型的一致增益。
translated by 谷歌翻译
目标识别是在给定一组目标假设,域模型和正在执行的计划的(可能是嘈杂的)样本的情况下推断出针对执行计划的正确目标的问题。这是合作和竞争性代理人互动中的关键问题,并且最近的方法产生了快速且准确的目标识别算法。在本文中,使用线性程序计算的算子计数启发式算法在经典规划问题的约束下计算,以解决目标识别问题。我们的方法使用从观察中导出的附加的算子计数约束来有效地推断出正确的目标,并且作为具有附加约束的许多其他方法的基础。
translated by 谷歌翻译