常识库与常识推理

常识库整理

Cyc

概述

始于1984年，由Douglas Lenat推动，旨在收集生活中常识知识并将其编码集成到一个全面的本体知识库。该知识库中包含了320万条人类定义的断言，涉及30万个概念，15000个谓词。这些资源都采取CycL语言来进行描述，该语言采取谓词代数描述，语法上与Lisp程序设计语言类似。

Cyc知识库中表示的知识一般形如“每棵树都是植物”，“植物最终都会死亡”。当提出“树是否会死亡”的问题时，推理引擎可以得到正确的结论，并回答该问题。

发布版本：2009年7月发布的OpenCyc 2.0版，包含了47000个概念、306000个事实，主要是分类断言，并不包含Cyc中的复杂规则。

评价：“人工智能历史上最有争议的项目”之一。该系统在深度和广度上都有待完善，且不便于初学者学习使用该系统。

资料

论文
详细介绍

ConceptNet

概述

常识知识库。最早源于MIT媒体实验室的Open Mind Common Sense（OMCS）项目。OMCS项目是由著名AI专家Marvin Minsky于1999年创立。ConceptNet还有其他来源：Wiktionary、WordNet、OpenCyc、DBPedia、JMDict。以三元组形式的关系型知识构成。ConceptNet5版本已经包含有2800万关系描述。

与Cyc相比，ConceptNet采用了非形式化、更加接近自然语言的描述；与链接数据和谷歌知识图谱相比，ConceptNet比较侧重于词与词之间的关系。与WordNet相比，包含的关系类型多。ConceptNet完全免费开放，并支持多种语言。

以bicycle为例如下：

资料

论文全文
demo
论文代码
中文数据

Commonsense QA

基于ConceptNet开发的常识比赛

举例：Q：哪个最大？ A1：山， A2：人， A3：老鼠。

特点：完全基于常识，几乎不考虑上下文的阅读理解。

ATOMIC

概述

原子因果常识图谱，包含870k条推理常识，专注于“if…then"关系的知识。

比如：事件“x防御了y的攻击”，我们能够马上推理出 x的动机是“保护自己”、 x这么做的先决条件是接受了一定的防身技巧、 x可能的特点是强壮勇敢。事件的结果可能是： x会感觉生气并报警、 y可能会觉得害怕并想要逃走。

ATOMIC：An Atlas of Machine Commonsense for If-Then Reasoning

Social IQA

第一个面向社会情况常识推理的大规模基准，包含38000个覆盖日常情形中社交情感和智慧的多选题。（涵盖了关于在情境中描述人们的行为的各种类型的推断）

比如：Q：乔丹想告诉特雷西一个秘密，所以乔丹向特雷西靠近，为什么乔丹这么做？

A：为了保证别人听不到。B：乔丹喜欢特雷西。 C：乔丹想打特雷西。

Social IQA：Commonsense Reasoning about Social Interactions

SQuAD

该数据集包含 100k个（问题，原文，答案）三元组，原文来自于 536 篇维基百科文章，而问题和答案的构建主要是通过众包的方式，让标注人员提出最多 5 个基于文章内容的问题并提供正确答案，且答案出现在原文中。

特点： 仅需要阅读材料的上下文，不需要常识

SQuAD阅读理解模型总结

Cosmos QA

Cosmos QA是一个35.6K问题的大规模数据集，需要基于常识的阅读理解，被表述为多项选择题。 它着重于阅读人们日常叙事的不同线条之间的界限，询问有关事件的可能原因或影响的问题，这些事件需要推理超出上下文的确切范围。

特点：既需要上下文，同时需要常识的阅读理解数据集。

Cosmos QA：Machine reading comprehension with contextual commonsense reasoning

COMET

基于 ConceptNet 和 ATOMIC 自动常识知识构建模型

COMET：Commonsense Transformers for Automatic Knowledge Graph Construction

WIQA

第一个大规模测试程序文本推理的大型数据集。 WIQA包含为379个段落准备的40.7k问题。为了有效的创建问题，人们为这379个段落创建了2107个影响图（IGs），描述一个扰动如何正面或负面影响另一个。

举例：

事件：海洋侵蚀

过程：1）风在海洋中产生波浪

2）海浪冲刷到海滩上

3）海浪袭击了海滩上的岩石

4）岩石的微小部分折断了

5）岩石变小了

举例：给出一个关于海滩侵蚀的段落，暴风雨的天气会导致或多或少的侵蚀（或没有影响）吗？

WIQA：A dataset for ‘what if…’ reasoning over procedural text

PIQA

物理常识推理的任务以及相应的基准数据集。

举例：Q：如何用一个瓶子将蛋清和蛋白分开？A1：…。A2：…。

PIQA：Reasoning about physical commonsense in natural language

AI2

在常识库的构建上，艾伦人工智能研究所(Allen Institute for AI)作出了不同寻常的贡献。

关于常识推理的一点想法

查阅了几天相关的资料，感觉有一句话我深为认同：

我们能期待具有常识的软件能做什么？这是很难去定义的，因为它包含着许许多多的小片段，而所有的一切都很容易单独进行编程。例如，如果你躺在地上大喊“我受伤了”，常识会让我们呼叫急救服务……但有可能，苹果的Siri已经能够做到这一点。

但是，也正因为如此，机器若想真正具备认知智能，常识又是如此的重要。

衷心希望前赴后继的勇士们一点一点啃下这个硬骨头。奥利给！