Faktbasierte logische Schlussfolgerung für maschinelles Leseverstehen

In den letzten Jahren hat sich ein wachsendes Interesse an der Schulung von Maschinen mit Schlussfolgerungsfähigkeiten gezeigt, die stark von einer präzisen und klaren Darstellung von Hinweisen abhängen. In bestehenden Studien werden diese Hinweise üblicherweise als entitätsbewusste Wissensbestandteile modelliert. Allerdings konzentrieren sich diese entitätsbewussten Hinweise primär auf Alltagswissen (commonsense), wodurch sie für Aufgaben, die Kenntnisse über zeitlich begrenzte Fakten oder Ereignisse erfordern – insbesondere im Bereich logischer Schlussfolgerung im Kontext der Leseverständnis-Aufgaben – unzureichend sind. Um dieser Herausforderung zu begegnen, motiviert uns die hierarchische Berücksichtigung sowohl von Alltagswissen als auch von zeitlich begrenztem Wissen. Konkret schlagen wir eine allgemeine Formalisierung von Wissenseinheiten vor, indem wir die zentralen Bestandteile von Sätzen extrahieren, beispielsweise die Subjekt-Verb-Objekt-Struktur als „Fakten“. Anschließend bauen wir einen Supergraphen auf Basis dieser Fakten-Einheiten auf, um sowohl die Interaktionen auf Satzebene (Beziehungen zwischen Fakten-Gruppen) als auch die Interaktionen auf Entitäts-Ebene (Konzepte oder Aktionen innerhalb einer Fakt-Einheit) zu ermöglichen. Experimentelle Ergebnisse auf Benchmarks für logische Schlussfolgerung und Datensätzen für Dialogmodellierung zeigen, dass unser Ansatz die Baselines erheblich verbessert und gleichzeitig allgemein für verschiedene Grundmodelle anwendbar ist. Der Quellcode ist unter \url{https://github.com/ozyyshr/FocalReasoner} verfügbar.