EMNLPSep, 2016

走向社交化信息提取：嵌入作者、提及和实体

PDF
TL;DR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%。
发现论文，激发创造
  • 通过建模提及之间的潜在关系来提高实体链接

    本研究提出了一种新的神经实体链接模型，将实体链接中的关系视为潜在变量，并在优化实体链接系统的同时诱导这些关系，同时取得了 AIDA-CoNLL 基准测试上最好的结果。

    Apr, 2018

  • 推文中的隐式实体链接

    该文介绍了推特上隐含实体链接的问题并提出了解决方法，利用实体的事实和上下文知识来进行实体链接任务，并展示了隐式实体链接的重要性和相关价值，并公开了真实数据集以促进该新领域的研究。

    Jul, 2017

  • 作者之团：从社交网络上下文中消除姓名歧义

    研究使用关联网络和 BERT 来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

    Aug, 2022

  • 深度度量学习方法用于账户链接

    提出了一种基于嵌入学习的方法，用于识别社交媒体中同一用户的不同帐户，并在没有人工标注数据的情况下，通过将变量大小的用户活动样本映射到矢量空间中获得良好的链接准确性。

    May, 2021

  • 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

  • 命名实体消岐中词和实体嵌入联合学习

    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。

    Jan, 2016

  • MOLEMAN: 基于实体提及注释网络的实体提及链接

    提出了一种基于最近邻法的实体链接方法，该方法通过建立一个上下文相关的提及编码器，学习将相似的提及放置在比不同实体的提及更接近的向量空间中，从而利用所有实体的提及作为 “类原型”，通过对训练集中标记的实体的提及集合进行检索，并应用最近的提及邻居实体标签进行推理。通过对维基百科超链接的提及对的大型多语言语料库进行训练，该模型在一个包含 7 亿个提及的索引上进行最近邻推理。该方法训练简单，预测可解释性更强，并在两个多语言实体链接基准测试中优于所有其他现有方法。

    Jun, 2021

  • 短社交媒体文本中实体链接的强韧候选生成

    研究了 Tweet 领域中实体链接方法的挑战，提出了一种使用来自维基百科的长上下文表示的混合解决方案，经过实验评估和比较，取得了 0.93 的召回率。

    Oct, 2022

  • 社交世界知识：建模与应用

    本文提出了一种从社交网络中提取实体向量的框架 ——SocialVec，并将其应用于衡量新闻来源的政治偏向和预测个人特质两项任务中，展示了比基线方法优越或有竞争力的表现。

    Jun, 2023

  • 基于社交媒体的用户嵌入：文献综述

    该研究回顾了最近在社交媒体用户的表征学习领域的进展，并提供了从异构用户数据（例如，将社交媒体文本与图像相结合来学习统一用户表征）中学习统一用户嵌入的典型方法，该技术对于创建高性能的基于社交媒体的人类特征和行为模型至关重要。

    Jun, 2019