主题： TransOMCS: From Linguistic Graphs to Commonsense Knowledge

摘要： 常识图谱获取是人工智能的关键问题。 获取常识图谱的常规方法通常需要费力且昂贵的人工注释，这在大规模上是不可行的。 在本文中，我们探索了一种从语言图中提取常识图谱的实用方法，目的是将通过语言模式获得的廉价知识转化为昂贵的常识图谱。 结果是将大型选择偏好知识资源ASER转换为与ConceptNet相同表示的TransOMCS。实验结果证明了语言知识到常识知识的转移性以及所提出方法在数量，新颖性和质量方面的有效性。