KagNet: الشبكات الرسومية المستندة إلى المعرفة للاستدلال العام

يهدف الاستدلال البديهي إلى تمكين الآلات من القدرة البشرية على اتخاذ افتراضات حول الحالات العادية في حياتنا اليومية. في هذه الورقة، نقترح إطارًا للاستدلال النصي للإجابة على الأسئلة البديهية، والذي يستخدم بشكل فعّال المعرفة البديهية الهيكلية الخارجية المخزنة في رُسُوم المعرفة لإجراء استنتاجات قابلة للتفسير. يقوم الإطار أولاً بربط زوج السؤال والإجابة من الفضاء الدلالي إلى الفضاء الرمزي القائم على المعرفة، من خلال تمثيله كرسم بياني مخطط (Schema Graph)، وهو رسم فرعي مرتبط من الرسومات الخارجية للمعرفة. ثم يُمثّل الرسوم البيانية المخططية باستخدام وحدة جديدة لشبكة الرسوم البيانية المُدركة للمعرفة تُسمى KagNet، ويُقيّم الإجابات في النهاية باستخدام تمثيلات الرسوم البيانية. تعتمد النموذج على شبكات الت(Convolutional Networks) والشبكات العصبية التكرارية (LSTM)، مع آلية انتباه قائمة على المسارات على مستوى هرمي. تُعطي الدرجات الوسيطة للانتباه شفافية وقابلية للتفسير، مما يؤدي إلى استنتاجات موثوقة. وباستخدام معرفة ConceptNet كمصدر خارجي واحد فقط لنموذج Bert، تحقق أداءً متميزًا على مستوى الحالة الحالية في مجموعة بيانات CommonsenseQA، وهي مجموعة بيانات كبيرة الحجم للاستدلال البديهي.