一种基于知识增强和半监督校验的常识推理方法技术

本发明专利技术公开了一种基于知识增强和半监督校验的常识推理方法，主要用于常识生成，帮助人们更好地理解数据和知识。本发明专利技术对于给定的前提原子[X]t[Y]，首先尝试进行关系对齐。其次，构建提示模板，进行融入本体信息的常识预生成，接着，进行基于正样本和无标签学习的无监督后校验，根据少量正确常识推理样本和大量无标记常识样本训练校验二元分类器，以减轻预训练语言模型知识幻觉的影响。最后，本发明专利技术扩充了常识数据集完成对本发明专利技术所述模型的训练与测试，并通过一系列实验验证所述方法的有效性。进一步的消融实验表明，本发明专利技术的方法在有效降低常识生成错误率的同时，保持了生成常识的多样性。

【技术实现步骤摘要】

本专利技术涉及计算机，尤其涉及一种基于知识增强和半监督校验的常识推理方法。

技术介绍

1、常识通常是指语义明确、能描述数据分布所隐含客观规律的逻辑语句，一般可结构化地表示为一组条件(if)和对应的结论(then)。上述条件-结论式的表达不仅简化了复杂知识的刻画，还引入了领域知识。与基于参数的神经网络模型相比，常识的推理、决策过程更为透明，便于用户理解并验证其逻辑正确性。事实上，归纳常识是人类探索世界运行模式的直观体现。通过提炼常识，人们不但能够更好地理解数据和知识，还能在决策、预测时获得有效指导。在计算机领域，常识提炼是提升信息处理效率及系统智能化水平的关键，在金融投资、医疗保健、社交媒体等领域都有广泛应用。

2、传统的常识挖掘通常基于统计学习方法，是从封闭数据集中推导出常识的数据挖掘过程。amie从知识库中提取形式为“if前件then后件”的关联常识，表示两组实体之间的关系。前件和后件可以是一个或多个实体的集合，并由一个或多个关系连接。该算法通过生成候选常识、使用评分函数、修剪低质量常识以生成更高质量的常识。amie+进一步提升了该方法的性能本文档来自技高网...

【技术保护点】

1.一种基于知识增强和半监督校验的常识推理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤1)中，定义常识推理任务为：对于前提原子[X]t[Y]，获得假设原子[MASK]g[MASK]，并构建常识推理过程[X]t[Y]→[MASK]g[MASK]。

3.根据权利要求书1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤2)中，如果对齐成功，则可以获取本体的相关信息，包括实例类别与实例对之间的逻辑层次关系，具体来说，对于前提原子[X]t[Y]，已知其中的关系t，采用开源信息抽取工具...

【技术特征摘要】

1.一种基于知识增强和半监督校验的常识推理方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤1)中，定义常识推理任务为：对于前提原子[x]t[y]，获得假设原子[mask]g[mask]，并构建常识推理过程[x]t[y]→[mask]g[mask]。

3.根据权利要求书1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤2)中，如果对齐成功，则可以获取本体的相关信息，包括实例类别与实例对之间的逻辑层次关系，具体来说，对于前提原子[x]t[y]，已知其中的关系t，采用开源信息抽取工具openie工具进行关系对齐，在关系对齐成功情况下，可获取x、y的实例类别对集合及标准实例名集合知识图谱中实例类别均正确，采用随机采样的方式确定x、y的标准类别kx、k"，以提升常识生成的多样性；

4.根据权利要求1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤3)中，在常识生成的过程中引入实例类别信息和实例对之间的逻辑层次关系信息，提升了生成常识的正确率，其中，基于类别信息的常识生成过程如下：在所述步骤2)中，已经获得了前提原子中实例的类别信息，在上述提示的基础上，进一步构造提示“the typeof[x]is typex”，“the type of[y]is typey”以融入实例类别信息。

5.根据权利要求1所述的基于知识增强和半监督校验的常识推理方法，其特征在于，所述步骤3)中，基于逻辑层次关系的常识生成过程如下：在步骤2)中，还获得了实例对的逻辑层次关系信息i$，首先去除根结点前缀“root/”，再将关系信息按单词及分隔符进行拆分，在解码端，将上述单词信息作为提示词帮助解码，最终达到融入实例对逻辑层次关系的目标；

6.根据权利要求1...

【专利技术属性】
技术研发人员：苗泽一，徐义涵，李政，
申请(专利权)人：东南大学，
类型：发明
国别省市：