โมเดลภาษาที่ใช้การเรียนรู้เชิงลึก (DL) บรรลุประสิทธิภาพสูงบนเกณฑ์มาตรฐานต่างๆ สำหรับการอนุมานภาษาธรรมชาติ (NLI) และในเวลานี้ แนวทางเชิงสัญลักษณ์สำหรับ NLI กำลังได้รับความสนใจน้อยลง ทั้งสองวิธี (เชิงสัญลักษณ์และ DL) มีข้อดีและข้อเสีย อย่างไรก็ตาม ปัจจุบันยังไม่มีวิธีใดที่จะรวมสิ่งเหล่านี้ไว้ในระบบเพื่อแก้ไขงานของ NLI ในการผสานวิธีการเรียนรู้เชิงสัญลักษณ์และเชิงลึกเข้าด้วยกัน เราขอเสนอกรอบงานการอนุมานที่เรียกว่า NeuralLog ซึ่งใช้ทั้งกลไกการอนุมานเชิงตรรกะแบบโมโนโทนิซิตี้และโมเดลภาษาโครงข่ายประสาทเทียมสำหรับการจัดแนววลี กรอบงานของเราจำลองงาน NLI เป็นปัญหาการค้นหาแบบคลาสสิก และใช้อัลกอริธึมการค้นหาลำแสงเพื่อค้นหาเส้นทางการอนุมานที่เหมาะสมที่สุด การทดลองแสดงให้เห็นว่าตรรกะร่วมและระบบอนุมานประสาทของเราปรับปรุงความแม่นยำในงาน NLI และสามารถบรรลุความแม่นยำที่ล้ำสมัยในชุดข้อมูล SICK และ MED
สิ่งพิมพ์ต่อไปนี้รวมอยู่ในกรอบการทำงานนี้:
สภาพแวดล้อมที่แนะนำ ได้แก่ Python 3.6 หรือสูงกว่า , Stanza v1.2.0 หรือสูงกว่า และ **ImageMagick v7.0.11 รหัสนี้ใช้ ไม่ ได้กับ Python 2.7
โคลนพื้นที่เก็บข้อมูล
git clone https://github.com/eric11eca/NeuralLog.git
ขั้นแรกให้ดาวน์โหลดโมเดลที่ได้รับการฝึกล่วงหน้าจาก Google Drive แทนที่โมเดล defalut depparse ของ Stanza ด้วยเวอร์ชันที่ฝึกล่วงหน้านี้ เส้นทางโมเดล Stanza คือ:
C:Users$your_user_name$stanza_resourcesen
จากนั้นเปิด UdeoLog.ipynb
เรามี UD Parser Models สองรุ่นสำหรับภาษาอังกฤษ บางรุ่นเป็นรุ่นที่ใช้งานทั่วไป ในขณะที่รุ่นอื่นๆ ผลิตแบบฝังสำหรับกรณีการใช้งานเฉพาะ สามารถโหลดโมเดลที่ได้รับการฝึกล่วงหน้าได้โดยเพียงแค่ส่งชื่อโมเดล: SentenceTransformer('model_name')
สำหรับการฝึกโมเดล Parser UD ใหม่ โปรดดูเอกสารการฝึกอบรมของ Stanza สำหรับคำแนะนำวิธีฝึก Parser UD ของคุณเอง
หากคุณพบว่าพื้นที่เก็บข้อมูลนี้มีประโยชน์ โปรดอ้างอิงสิ่งพิมพ์ของเรา NeuralLog : Natural Language Inference with Joint Neural and Logical Reasoning:
@misc { chen2021 NeuralLog ,
title = { NeuralLog : Natural Language Inference with Joint Neural and Logical Reasoning } ,
author = { Zeming Chen and Qiyue Gao and Lawrence S. Moss } ,
year = { 2021 } ,
eprint = { 2105.14167 } ,
archivePrefix = { arXiv } ,
primaryClass = { cs.CL }
}
ผู้ติดต่อ: Zeming Chen, [email protected] อย่าลังเลที่จะส่งอีเมลหรือรายงานปัญหาถึงเรา หากมีบางอย่างเสียหายหรือหากคุณมีคำถามเพิ่มเติม
พื้นที่เก็บข้อมูลนี้มีซอฟต์แวร์ทดลองและเผยแพร่โดยมีวัตถุประสงค์เพื่อให้รายละเอียดความเป็นมาเพิ่มเติมเกี่ยวกับการเผยแพร่ที่เกี่ยวข้องเท่านั้น