استنتاج منطقي مبني على الحقائق لفهم القراءة الآلي

شهدت السنوات الأخيرة ازديادًا متزايدًا في الاهتمام بتدريب الآلات على القدرة على الاستدلال، والتي تعتمد بشكل كبير على تقديم أشكال الأدلة بدقة ووضوح. وغالبًا ما تمثل هذه الأدلة في الدراسات الحالية كمعارف واعية بالكائنات (entity-aware knowledge). ومع ذلك، فإن هذه الأدلة الواعية بالكائنات تركز في المقام الأول على المعرفة الشائعة (commonsense)، مما يجعلها غير كافية للمهام التي تتطلب معرفة بالحقائق أو الأحداث المؤقتة، خاصة في مجال الاستدلال المنطقي المتعلق بفهم القراءة. لمعالجة هذا التحدي، نحن نُحفَّز على تغطية كلا النوعين من الأدلة—المعرفة الشائعة والمعرفة المؤقتة—بشكل هرمي. وبشكل محدد، نقترح صيغة عامة وحدات المعرفة من خلال استخراج المكونات الأساسية للجملة، مثل "الحقائق" المكونة من الفاعل-الفعل-المفعول. ثم نبني رسمًا تخطيطيًا فائقًا (supergraph) فوق وحدات الحقائق هذه، مما يتيح الاستفادة من التفاعلات على مستوى الجملة (العلاقات بين مجموعات الحقائق) وعلى مستوى الكائنات (المفاهيم أو الإجراءات داخل كل حقيقة). أظهرت النتائج التجريبية على مجموعات بيانات معايير الاستدلال المنطقي وبيانات نماذج الحوار تحسينًا ملحوظًا مقارنة بالأساليب السابقة، كما أظهرت قدرة عامة على التكيف مع نماذج أساسية مختلفة. يمكن الوصول إلى الكود من خلال الرابط التالي: \url{https://github.com/ozyyshr/FocalReasoner}.