KagNet: Knowledge-Aware Graph Networks für Commonsense-Reasoning

Der Bereich des gemeinsamen Sinns (commonsense reasoning) zielt darauf ab, Maschinen mit der menschlichen Fähigkeit auszustatten, Annahmen über alltägliche Situationen im täglichen Leben zu treffen. In diesem Artikel stellen wir einen Textinferenzansatz zur Beantwortung von gemeinsam-sinn-basierten Fragen vor, der externen, strukturierten Wissensgraphen zur gemeinsamen Sinn-Kenntnis effektiv nutzt, um nachvollziehbare Schlussfolgerungen zu ziehen. Der Ansatz transformiert zunächst ein Frage-Antwort-Paar aus dem semantischen Raum in den wissensbasierten symbolischen Raum, indem er ein Schema-Graphen erzeugt – einen relevanten Teilgraphen externer Wissensgraphen. Diese Schema-Graphen werden mit einem neuartigen, wissensbasierten Graphen-Netzwerkmodul namens KagNet repräsentiert, und die Antworten werden schließlich anhand der Graph-Darstellungen bewertet. Unser Modell basiert auf Graph-Convolutional Networks und LSTMs und verfügt über eine hierarchische, pfadbasierte Aufmerksamkeitsmechanik. Die Zwischenaufmerksamkeitswerte machen den Inferenzprozess transparent und interpretierbar, wodurch vertrauenswürdige Schlussfolgerungen ermöglicht werden. Unter Verwendung von ConceptNet als einzige externe Ressource für Bert-basierte Modelle erreichten wir Spitzenleistungen auf dem CommonsenseQA-Datensatz, einem großskaligen Datensatz für gemeinsam-sinn-basierte Schlussfolgerungen.