Jan, 2016

命名实体消岐中词和实体嵌入联合学习

PDF
TL;DR本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010 数据集的最新技术水平。
named entity disambiguationembedding methodknowledge baseskip-gram modelstate-of-the-art accuracy
发现论文，激发创造
  • 嘈杂文本的命名实体消歧

    本文主要介绍了一种基于神经模型和样本采集技术的 Named Entity Disambiguation 方法，使用 WikilinksNED 数据集进行训练与测试，并且在 embedding 初始化方面做了一些优化，取得显著的性能提升。

    Jun, 2017

  • 端到端的神经实体链接

    本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

    Aug, 2018

  • 利用远程监督联合嵌入实体和文本

    本文提出了一种基于远程监督的方法，从未注释的语料库中仅使用实体和表面形式之间的映射列表，联合学习实体和文本的嵌入。与仅依赖于人类注释文本或大型知识图谱结构的先前方法相比，实验结果表明，我们的嵌入可更好地捕捉实体的相似性和关联性。

    Jul, 2018

  • 使用多个嵌入表示的实体命名链接

    提出了一种基于多重嵌入的命名实体链接方法，并在 Namesakes 数据集上评估了其性能。发现创建知识库实体所需的最少提及数量对 NEL 性能非常重要，并可通过调整知识库数据来改善表示，同时也发现多样化新闻语料库的语言模型比公共数据集更适合命名实体链接中的嵌入。

    May, 2022

  • 生物医学文本命名实体消歧的跨领域数据集成

    本研究提出了一种跨领域数据整合方法，将通用文本知识库中的结构知识转移至医学领域，以解决医学领域的命名实体消岐问题，预训练模型使得命名实体消岐的准确性提高了高达 57 个百分点，并在 MedMentions 和 BC5CDR 两个基准医学命名实体消岐数据集上实现了最先进的性能。

    Oct, 2021

  • 命名实体识别和实体链接的联合学习

    本文介绍了一种受 Stack-LSTM 启发的模型，利用命名实体识别和实体链接的相关性进行联合学习，从而在 NER 和 EL 两个任务中获得更强的性能，并取得了竞争性的最新成果。

    Jul, 2019

  • 走向社交化信息提取：嵌入作者、提及和实体

    本文试图通过利用微博中的社交网络结构，将作者、提及和实体编码成一个连续向量空间，并将这些向量纳入神经结构预测模型中，以捕捉实体链接任务中固有的结构约束。与现有的最新技术相比，这些设计决策在基准数据集上的 F1 值提高了 1%-5%。

    Sep, 2016

  • 注入词库的短语嵌入用于命名实体识别

    本文提出了一种新的学习单词嵌入的方法，可以利用相关词汇表的信息来改进单词表示，并使用神经单词嵌入在 CoNLL 和 Ontonotes NER 中实现了最先进的结果。在公共数据上取得了 90.9 的 F1 评分，优于以前的任何系统，并与使用私有工业查询日志数据的系统匹配。

    Apr, 2014

  • 基于局部神经注意力的深度联合实体消岐

    本篇论文提出了一种新的深度学习模型，用于联合文档级别实体消歧，该模型以学习到的神经表示为基础。该方法通过实体嵌入，对本地上下文窗口进行神经注意机制，以及可微分的联合推理阶段进行消歧，将深度学习的优势与传统的图形模型和概率提及实体映射的方法相结合。广泛的实验表明，我们能够在中等计算成本下获得有竞争力或最先进的准确性。

    Apr, 2017

  • 探索上下文和嵌入在神经命名实体识别模型中在任务定向对话系统中的重要性

    本文通过在任务导向的对话系统中评估经过修改的最新神经网络架构的性能，研究了从文本、字符特征和外部语料库中训练的词嵌入的使用方式，并探讨了前一个话语作为附加特征的不同组合，以及在添加自动翻译的英语 - 翻译和英语 - 转录版本到英语数据集后的实验重复性。

    Dec, 2018