Open-ended Commonsense Reasoning with Unrestricted Answer Scope

要約

オープンエンド型常識推論は、1) 回答候補の短いリストと 2) 事前に定義された回答範囲を提供せずに常識的な質問を解くことと定義されます。
常識的な質問を質問回答形式に定式化したり、外部の知識を利用して検索ベースの方法を学習したりする従来の方法は、固有の課題のため、自由形式の設定ではあまり適用できません。
回答範囲や少数の候補を事前に定義せずに、オープンエンドの常識的推論では、非常に広い検索空間を検索して回答を予測する必要があります。
さらに、ほとんどの質問は暗黙的なマルチホップ推論を必要とするため、問題にさらに大きな課題が生じます。
この作業では、事前トレーニングされた言語モデルを活用して、外部知識ベース上の推論パスを繰り返し取得します。これには、タスク固有の監視は必要ありません。
推論パスは、常識的な質問に対する最も正確な答えを特定するのに役立ちます。
2 つの常識的なベンチマーク データセットで実験を行います。
他のアプローチと比較して、私たちが提案する方法は、量的および定性的な両方で優れたパフォーマンスを達成します。

要約(オリジナル)

Open-ended Commonsense Reasoning is defined as solving a commonsense question without providing 1) a short list of answer candidates and 2) a pre-defined answer scope. Conventional ways of formulating the commonsense question into a question-answering form or utilizing external knowledge to learn retrieval-based methods are less applicable in the open-ended setting due to an inherent challenge. Without pre-defining an answer scope or a few candidates, open-ended commonsense reasoning entails predicting answers by searching over an extremely large searching space. Moreover, most questions require implicit multi-hop reasoning, which presents even more challenges to our problem. In this work, we leverage pre-trained language models to iteratively retrieve reasoning paths on the external knowledge base, which does not require task-specific supervision. The reasoning paths can help to identify the most precise answer to the commonsense question. We conduct experiments on two commonsense benchmark datasets. Compared to other approaches, our proposed method achieves better performance both quantitatively and qualitatively.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google