Similarity-weighted Construction of Contextualized Commonsense Knowledge Graphs for Knowledge-intense Argumentation Tasks

要約

議論では、前提から結論がどのように導き出されるのかが明示されていないことがよくあります。
この欠如を補うために、構造化された背景知識で議論を強化し、知識を必要とする議論タスクをサポートします。
我々は、大規模なナレッジグラフ（KG）から文脈的に関連する知識を効率的かつ高品質で選択する、コンテキスト化された常識知識グラフ（CCKG）を構築するための新しい教師なし手法を提案します。
私たちの研究は、KG トリプレットとテキスト引数の間の意味的類似性を計算することにより、コンテキストに依存しない知識抽出ヒューリスティックを超えています。
これらのトリプレットの類似性を重みとして使用して、議論との類似性を最大化しながら、結論をその前提に接続する文脈化された知識パ​​スを抽出します。
複数のパスを 1 つの CCKG に結合し、オプションでプルーニングしてノイズを削減し、精度を高めます。
グラフの品質の本質的な評価は、私たちの方法が人間による説明グラフの（再）構築に有効であることを示しています。
大規模な知識選択セットアップでの手動評価により、CCKG の暗黙的な CSK の高い再現率と精度が確認されます。
最後に、知識に依存しない議論の品質評価タスクにおける CCKG の有効性が、強力なベースラインを上回り、GPT-3 ベースのシステムに匹敵することを実証します。

要約(オリジナル)

Arguments often do not make explicit how a conclusion follows from its premises. To compensate for this lack, we enrich arguments with structured background knowledge to support knowledge-intense argumentation tasks. We present a new unsupervised method for constructing Contextualized Commonsense Knowledge Graphs (CCKGs) that selects contextually relevant knowledge from large knowledge graphs (KGs) efficiently and at high quality. Our work goes beyond context-insensitive knowledge extraction heuristics by computing semantic similarity between KG triplets and textual arguments. Using these triplet similarities as weights, we extract contextualized knowledge paths that connect a conclusion to its premise, while maximizing similarity to the argument. We combine multiple paths into a CCKG that we optionally prune to reduce noise and raise precision. Intrinsic evaluation of the quality of our graphs shows that our method is effective for (re)constructing human explanation graphs. Manual evaluations in a large-scale knowledge selection setup confirm high recall and precision of implicit CSK in the CCKGs. Finally, we demonstrate the effectiveness of CCKGs in a knowledge-insensitive argument quality rating task, outperforming strong baselines and rivaling a GPT-3 based system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google