常识推理是神经符号学技术的一个有吸引力的测试平台,因为纯神经和符号方法的不足是一个困难的挑战。在本章中,我们回顾了将大规模知识资源与可泛化神经模型相结合以实现鲁棒性和可解释性的常识推理方法。我们讨论了协调异构知识的知识表示和整合工作。我们将介绍具有代表性的神经符号常识方法,这些方法利用常识知识对问题和故事进行推理。推理机制的范围包括程序推理、类比推理和想象推理。我们讨论了不同的策略来设计具有本地可解释性的系统,例如工程化用于预训练的知识维度、生成场景图和学习生成知识路径。
我们使用cookie为您提供最佳体验。它们还允许我们分析用户行为,以便为您不断改进网站。关于隐私政策IOS出版社。