Zu verallgemeinerbaren neuro-symbolischen Systemen für die Commonsense-Fragebeantwortung

Die nicht-extraktive gemeinsinnige Fragebeantwortung bleibt eine herausfordernde Aufgabe im Bereich Künstliche Intelligenz, da Systeme in der Lage sein müssen, über unterschiedliche Informationsquellen zu reasoning, diese zu synthetisieren und zusammenzuführen, um Antworten auf Fragen zu generieren. Neuere Ansätze für solche Aufgaben zeigen eine verbesserte Leistung erst dann, wenn Modelle entweder mit zusätzlichen Informationen vortrainiert werden oder domain-spezifische Heuristiken verwendet werden, ohne dass dabei besondere Rücksicht auf die Art der Wissensressource genommen wird. In diesem Paper führen wir eine Übersicht über aktuelle Methoden der gemeinsinnigen Fragebeantwortung durch und präsentieren eine systematische Analyse populärer Wissensressourcen sowie von Wissensintegrationstechniken über mehrere Benchmarks aus verschiedenen gemeinsinnigen Datensätzen. Unsere Ergebnisse und Analysen zeigen, dass eine auf Aufmerksamkeit basierende Wissensinjektion eine vorzuziehende Methode für die Wissensintegration darstellt, und dass der Grad der Domänenüberlappung zwischen Wissensbasen und Datensätzen eine entscheidende Rolle bei der Bestimmung des Modellerfolgs spielt.