语义实体检索工具
本文提出了一个名为 SetRank 的无监督排序框架来解决科学文献搜索中的实体集查询问题,并利用一种基于加权排序聚合技术的模型选择算法来自动选择参数设置,实验表明该方法在处理实体集查询时优于基线无监督模型。
Apr, 2018
本篇文章研究使用知识图谱中的实体信息是否有助于基于 BERT 的实体检索模型,结果表明使用实体信息的 BERT 模型在复杂自然语言查询和属性筛选等实体相关查询任务中相比传统 BERT 模型具有更好的推荐效果,并且使用该模型可以在数据不足的情况下进行微调以实现对实体搜索的数据有效训练。
May, 2022
本文提出了一种单词实体对框架,用于利用知识库在自适应检索中,通过单词和实体的交互生成排序特征来排名文档,使用基于注意力的模型 AttR-Duet 来处理来自实体表示的不确定性,并证明了它们比基于单词或实体的系统更有效。
Jun, 2017
该论文提出了一种语义表示方法 KSR,通过全局提取多方面并在每个方面中分配特定的类别,从而建立语义相关性,可以用于需要语义分析的应用,例如问答和实体检索。经过广泛的实验表明,该模型明显优于其他最先进的基线。
Aug, 2016
本文提出了实体对神经排序模型(EDRM),将知识图谱引入到神经搜索系统中,将查询和文档表示为它们的单词和实体注释,并通过基于交互式神经排名网络进行排名。我们的实验表明,EDRM 的有效性得到了证明,知识图谱语义显著提高了神经排序模型的泛化能力。
May, 2018
通过引入语义信息,我们提出了一种联合语义增强关系度量学习 (SERML) 框架,该框架从目标评论中提取语义信号,并通过该信号改进了原始基于关系的训练过程的区分能力,实验证明 SERML 在推荐系统中表现与几种先进方法相当。
Jun, 2024
本文介绍了 TextEnt,一种神经网络模型,它直接从知识库(KB)中学习实体和文档的分布式表示。通过训练我们的模型来预测文档所描述的实体并将文档和目标实体映射到连续向量空间中,其性能得到了良好的评估。
Jun, 2018
该论文介绍了一种新的基于 semantically structured sentence BERT embeddings(S^3BERT)的方法,通过近似可解释的 AMR 图表特征的方法将句子嵌入分解为语义特征,并通过 SBERT 教师模型的相似度打分来约束分解学习过程,从而保持神经嵌入的效力和效率。
Jun, 2022
本篇论文提出了一种语义表示方法(KSR)来处理知识图谱中的符号实体和关系。该方法采用两级分层生成过程来提取语义有效的方面和类别,从而优于其他现有基准模型。
Apr, 2016