本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文(一种微博形式),运用自然语言处理技术进行挖掘和智能信息访问的挑战,重点关注了从推文中提取实体并进行实体消歧的任务,介绍了一个新的 Twitter 实体消歧数据集,并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。
Oct, 2014
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
本文探讨多模态实体链接的任务,提出了一种方法来构建一个完全注释的 Twitter 数据集,同时提出了一种同时学习文本和视觉内容的方法来构建一个实体和言及的表征,并在 Twitter 数据集上验证了该方法的有效性,并强调在可用时,利用视觉信息的重要性。
Apr, 2021
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
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
本文首次探索在职业技能与 ESCO 分类之间进行实体链接,使用高效的神经模型(双编码器和自回归模型)进行技能链接的实证研究。
Jan, 2024
本文介绍了一种上下文感知的方法来分割并链接 Hashtags 中的实体到知识库中,以便通过提供 Hashtags 中实体的分割和链接信息提高推文中的实体链接的总体效果。
Jan, 2015
本研究旨在探究使用现代实体链接方法对博物馆收藏数据进行丰富的可能性,结果表明,正交纠正的实体链接模型在该领域的性能明显优于其他现有方法。
May, 2023
本文介绍了一种对话实体链接的工具,使用了不同于现有方法的技术来识别如人称实体和命名实体这种在对话中扮演重要角色的实体,并在实验中证明了其优于已有技术的性能。
Jun, 2022
本文提出了一种通过语义聚类短信息的方法来早期发现新兴实体,并设计并利用性能评估指标来评估该方法的性能表现。结果表明,该提议方法发现的新兴实体不仅仅是 Twitter 趋势的范畴。
Jul, 2022