超级会员免费看
本文详细探讨了知识增强预训练语言模型（KE-PLM），指出虽然PLM在NLP任务中表现出色，但缺乏外部知识导致推理能力不足。KE-PLM通过整合不同类型的外部知识，如语言知识、文本知识、知识图谱和规则知识，提高了NLU和NLG的性能。未来的研究方向包括整合异构知识源、探索多模态知识、提供可解释性证据、持续学习知识、优化知识整合效率以及增加生成结果的多样性。
本文是LLM系列的文章，针对《A Survey of Knowledge-Enhanced Pre-trained Language Models》的翻译。
知识增强的预训练语言模型综述
摘要
预训练语言模型（PLM）通过自监督学习方法在大文本语料库上进行训练，在自然语言处理（NLP）的各种任务中都取得了良好的性能。然而，尽管具有巨大参数的PLM可以有效地拥有从大量训练文本中学习到的丰富知识，并在微调阶段有利于下游任务，但由于缺乏外部知识，它们仍然存在一些局限性，如推理能力差。研究一直致力于将知识纳入PLM，以解决这些问题。在本文中，我们对知识增强预训练语言模型（KE-PLM）进行了全面的综述，以对这一蓬勃发展的领域提供清晰的见解。我们分别为自然语言理解（NLU）和自然语言生成（NLG）引入了适当的分类法，以突出NLP的这两个主要任务。对于NLU，我们将知识类型分为四类：语言知识、文本知识、知识图谱和规则知识。NLG的KE PLM分为基于KG的方法和基于检索的方法。最后，我们指出了KE PLM的一些有前景的未来方向。
订阅专栏 解锁全文
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
