EMNLPApr, 2017

基于局部神经注意力的深度联合实体消岐

PDF
TL;DR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。
deep learningentity disambiguationneural attentionjoint inferencecomputational costs
发现论文，激发创造
  • 使用深度双仿射注意力的端到端神经关系抽取

    本文提出一个神经网络模型，用于联合抽取命名实体和它们之间的关系，无需手动设计特征。该模型采用深度双仿射关注层扩展了 BiLSTM-CRF 实体识别模型，以建模关系分类中潜在特征的二阶交互。在 benchmark 数据集 CoNLL04 上进行实验，结果显示该模型的表现优于之前的模型，创造了新的最好表现。

    Dec, 2018

  • 实体邻域信息和描述信息的联合表示学习方法研究

    通过结合实体邻居信息和描述信息的联合表示学习模型解决编程设计课程中知识图谱嵌入性能较差的问题，实验证明该模型在编程设计课程的知识图谱数据集上表现出优异的性能，超过其他基线模型。

    Sep, 2023

  • 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

  • 输出空间搜索的联合神经实体消歧

    本文介绍了一种使用 Limited Discrepancy Search（LDS）同时结合了局部上下文信息和全局证据的实体消岐模型。在 CoNLL 2003 和 TAC 2010 基准测试中验证了该模型的有效性。

    Jun, 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

  • Entity-aware ELMo：学习上下文实体表征以解决实体消歧

    本研究提出了一种新的本地实体消岐系统，依赖于一种名为 E-ELMo 的实体感知扩展 embedding 方法，能在指定的段落中，基于其它提及的实体，预测它们所指的具体实体，并在 AIDA test-b 评测中提高 0.5% 的微平均准确率，创造了业界先进的性能表现。

    Aug, 2019

  • 一种神经多任务学习框架，联合建模医疗实体识别和归一化

    文章提出了一种新颖的深度神经多任务学习框架，采用显式反馈策略联合建模识别和规范化任务，实现了一种将层次任务转化为并行的多任务设置，并保持任务之间的相互支持，从而显著提高了模型性能。实验证明，该方法在两个公开的医学文献数据集上的表现均显著优于现有方法。

    Dec, 2018

  • 通过联合提及检测和提及聚类的深度双仿射注意力神经指代消解

    本文介绍了一种使用双仿射注意模型和联合最优化方法来改善端到端语义消解系统的方法，该方法在 CoNLL-2012 共享任务的英文测试集上实现了最先进的性能。

    May, 2018

  • 基于深度学习的实体链接模型综述

    综述了自 2015 年以来，神经实体链接 (EL) 系统的最新发展，目的是系统化神经实体链接系统的设计特征，并将其性能与常见基准测试中的经典方法进行比较。该文从候选生成、提及 - 上下文编码和实体排名等方面讨论了神经 EL 系统的通用架构，总结了每个方法的突出特点。

    May, 2020

  • 基于自注意力增强和实体感知嵌入的选择性门，用于远程监督关系抽取

    本研究提出了一种轻量级神经框架，使用实体感知的词嵌入方法、自注意机制和基于丰富语境表示的汇聚门来解决监督远程关系提取的问题和减轻之前机制的缺陷，实现了最高的分类准确性和最佳的实验结果。

    Nov, 2019