Oct, 2017

DeepER -- 深度实体分辨

PDF
TL;DR本文介绍了一种名为 DeepER 的新型实体解析（ER）系统，该系统利用了先进的深度学习技术，通过使用递归神经网络（RNN）和分布式表示（即向量）等方法。提高了解析准确性、效率和易用性，相比传统机器学习方法无需人工标记数据和手工制定特征和相似性函数阈值。在多个数据集上进行测试的实验结果表明，DeepER 优于现有的解决方案。
entity resolutiondeep learningrecurrent neural networksdistributed representationslocality sensitive hashing
发现论文，激发创造
  • 低资源的实体对齐问题：迁移和主动学习方法

    本文提出了一种针对数据集资源匮乏的实体消歧问题的深度学习方法，通过转移学习和主动学习的结合，构建了一个可迁移的模型用于适应缺乏标记数据的场景，并通过有针对性地选择信息样本进行微调，验证表明该方法在实际应用中比当今学习方法使用的少数标记数据量的性能要好得多。

    Jun, 2019

  • 通过转移学习进行实体匹配的重用和适应

    本文研究了在具有限或无训练数据的情况下，通过重用和调整同一领域或相关领域数据集 D_S 的训练数据，是否可以在数据集 D_T 中训练良好的机器学习分类器，并提出了用于处理此类情况的五种算法。在五个不同领域的 12 个数据集上进行了全面的实验，结果表明，该算法提供了显著的好处，如在固定训练数据大小的情况下提供卓越的性能。

    Sep, 2018

  • 基于（深度）学习匹配算法的基准数据集的重要再评估

    本研究提出了四种评估 13 个常用数据集难易度和适用性的方法，并发现大多数数据集对于评估基于机器学习的匹配算法来说过于简单。因此，提出了一种新的方法来生成更具挑战性的基准数据集。

    Jul, 2023

  • 大数据下的端到端实体解析：一项调查

    本文首次提供现代实体解析工作流的全面视图，并介绍了实体索引和匹配方法的新颖方面，旨在同时应对多个大数据特征的挑战。文章从数据库、语义 Web 和机器学习三个方面分别阐述了基本概念、处理步骤和任务策略，并最终提供了现有方法的综合讨论，最后详细介绍了未来研究方向。

    May, 2019

  • 命名实体识别的深度学习调查

    本文基于三个维度的分类法，系统地回顾了深度学习在命名实体识别上的应用技术，并介绍了面临的挑战和未来的研究方向。

    Dec, 2018

  • ZeroER: 使用零标记样本进行实体消歧

    该研究探讨了一种无监督学习的方法，使用高斯混合模型等工具实现了基于相似度向量的实体解析算法，该算法不需要标注数据，但能够实现与有标注数据的算法相近的性能表现，且在五个基准数据集上的表现优于现有的无监督方法。

    Aug, 2019

  • 实体解析的预训练嵌入：实验分析

    本研究评估了 12 种语言模型在 17 个基准数据集上的效能，研究结果提供了各种语言模型的优缺点，帮助研究人员和从业人员选择最合适的模型。

    Apr, 2023

  • 个人知识图谱中的命名实体解析

    实体消解是确定两个实体是否指向相同基础实体的问题。本章将讨论在个人知识图谱（PKG）环境下的命名实体消解问题，包括问题的形式化定义、进行高质量和高效实体消解所需的组件、面临的挑战、现有技术在 PKG 中的应用、一些应用案例以及未来研究的方向。

    Jul, 2023

  • 深度学习模型中命名实体识别的最近进展综述

    本文综述了深度神经网络在命名实体识别方面的应用，相对于传统的基于特征工程和监督或半监督学习算法的实体识别方法，神经网络在该领域中取得了更好的效果，并表明吸收过去的基于特征的 NER 系统的一些经验教训可以进一步提高性能。

    Oct, 2019

  • E-NER: 基于证据的深度学习在可信命名实体识别中的应用

    介绍了 Evidential deep learning 在 named entity recognition (NER) 中实现 predictive uncertainty 的困难之处，并提出了一种可信 named entity recognition (E-NER) 框架，引入了两个基于不确定性的错误函数以及一系列基于不确定性的训练策略。实验证明 E-NER 能够应用于多种 NER 模式，并获得准确的不确定性估计。与最先进的基线相比，所提出的方法在 OOV/OOD 检测性能和 OOV 实体的泛化能力方面均有所提高。

    May, 2023