基于多粒度知识的无监督常识问答

摘要

常识性问答（Commonsense Question Answering, CQA）是一项比传统问答任务更具挑战性的自然语言理解任务，它要求模型具备更强的常识推理能力。目前，基于无监督方法的常识问答在若干数据集上取得了较好的性能，但这些方法难以充分挖掘和利用常识知识，限制了模型在复杂场景下的推理能力。针对这一问题，本文提出了一种新颖的无监督常识问答方法，其核心优势在于通过无监督学习有效整合外部常识知识，从而提升模型的泛化能力和推理深度。首先，该方法对问题进行分类，区分科学常识问题与日常事件问题；随后，根据问题类型生成相应的知识前缀；接着，将知识前缀输入预训练语言模型，通过大模型提示生成多粒度的常识知识；最后，利用多粒度知识辅助问答推理模块进行答案生成。采用无监督方法不仅可以减少对标注数据的依赖，还能更好地适应多样化的常识场景，体现了其在实际应用中的灵活性和普适性。实验结果表明，所提方法在相关数据集上显著优于基线模型，验证了其在无监督常识问答任务中的正确性和合理性。

关键词

常识问答 / 大模型提示 / 知识生成 / 答案推理