Gold: A Global and Local-aware Denoising Framework for Commonsense Knowledge Graph Noise Detection

要約

Commonsense Knowledge Graphs (CSKG) は常識的な推論に不可欠ですが、人間による注釈を使用して構築するとコストがかかる可能性があります。
その結果、より広い意味範囲をカバーする CSKG を構築するためのさまざまな自動手法が提案されています。
ただし、これらの教師なしアプローチでは、結果として得られる CSKG の品質を低下させる可能性のあるスプリアス ノイズが導入されます。これは、CSKG のノードと構造の固有の特性により、既存のノイズ除去アルゴリズムでは簡単に対処できません。
この問題に対処するために、CSKG からのエンティティ セマンティック情報、グローバル ルール、およびローカル構造情報を組み込んだ CSKG 用のノイズ除去フレームワークである Gold (Global and Local-aware Denoising) を提案します。
実験結果は、合成ノイズを含む CSKG ベンチマークでのノイズ検出タスクにおいて、Gold がすべてのベースライン手法よりも優れていることを示しています。
さらに、現実世界の CSKG のノイズ除去が効果的であり、下流のゼロショット常識的質問応答タスクにも利益をもたらすことを示します。

要約(オリジナル)

Commonsense Knowledge Graphs (CSKGs) are crucial for commonsense reasoning, yet constructing them through human annotations can be costly. As a result, various automatic methods have been proposed to construct CSKG with larger semantic coverage. However, these unsupervised approaches introduce spurious noise that can lower the quality of the resulting CSKG, which cannot be tackled easily by existing denoising algorithms due to the unique characteristics of nodes and structures in CSKGs. To address this issue, we propose Gold (Global and Local-aware Denoising), a denoising framework for CSKGs that incorporates entity semantic information, global rules, and local structural information from the CSKG. Experiment results demonstrate that Gold outperforms all baseline methods in noise detection tasks on synthetic noisy CSKG benchmarks. Furthermore, we show that denoising a real-world CSKG is effective and even benefits the downstream zero-shot commonsense question-answering task.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google