Commonsense Knowledge Enhanced Embeddings zur Lösung von Pronomendesambiguierungsproblemen im Winograd-Schema-Challenge

In dieser Arbeit schlagen wir vorschlagweise commonsense-knowledge-verstärkte Einbettungen (Commonsense Knowledge Enhanced Embeddings, KEE) vor, um die Pronomendisambiguierung (Pronoun Disambiguation Problems, PDP) zu lösen. Die PDP-Aufgabe, die wir in dieser Arbeit untersuchen, ist eine komplexe Koreferenzauflösungsaufgabe, die den Einsatz von Alltagswissen erfordert. Diese Aufgabe bildet einen Standard-Testdatensatz für die erste Runde der Winograd-Schema-Challenge 2016. Bei dieser Aufgabe sind traditionelle linguistische Merkmale, die für die Koreferenzauflösung nützlich sind, wie Kontext- und Geschlechtsinformationen, nicht mehr effektiv. Daher werden KEE-Modelle vorgeschlagen, um ein allgemeines Framework bereitzustellen, das Alltagswissen zur Lösung von PDP-Problemen nutzt. Da es für die PDP-Aufgabe keine Trainingsdaten gibt, werden die KEE-Modelle während des unüberwachten Merkmalsextraktionsprozesses verwendet. Um die Effektivität der KEE-Modelle zu bewerten, schlagen wir vor, verschiedene Alltagswissensbasen, einschließlich ConceptNet, WordNet und CauseCom, in den Trainingsprozess der KEE einzubeziehen. Wir erzielten die besten Ergebnisse durch Anwendung der vorgeschlagenen Methoden bei der Winograd-Schema-Challenge 2016. Zudem deuten Experimente an dem Standard-PDP-Datensatz darauf hin, dass die vorgeschlagenen KEE-Modelle das PDP-Problem mit einer Genauigkeit von 66,7 % lösen können, was eine neue Standarte (state-of-the-art performance) darstellt.