AAAIDec, 2017

神经跨语言实体链接

PDF
TL;DR本文提出一种神经实体链接模型，通过多种角度训练查询和候选文档之间的细粒度相似性和不相似性，并结合卷积和张量网络，在多语言语境下实现跨语言实体链接，并证明该英文训练的系统可以通过使用多语言嵌入进行零 - shot 学习。该提议系统在英语以及跨语言测试中取得 state-of-the-art 的结果 (例如：西班牙语和汉语 TAC 的 2015 数据集)。
entity linkingcontextual informationcross-lingual elneural modelmulti-lingual embeddings
发现论文，激发创造
  • 通往语言无关的命名实体链接之路

    本文介绍了 LIEL，一种语言无关的实体链接系统，通过使用区分重排框架和许多不受领域和语言限制的特征函数，它可以在多种不同的语言中工作。在各种基准数据集上的实验表明，该系统在英语上表现出色，在训练过英语的情况下，也可以很好地工作在西班牙语上，这证明了该方法的可行性。

    Dec, 2017

  • 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

  • 神经跨语言共指消解及其在实体链接中的应用

    本文提出了一种基于实体为中心的跨语言指代消解模型，利用多语言嵌入和语言无关特征进行构建，并进行了内在和外在评估。结果表明，本模型在英语训练，中文和西班牙语测试上的性能表现优异，能够在不利用任何中文或西班牙语标注数据的情况下，实现优越的实体链接精度。

    Jun, 2018

  • 低资源跨语言实体链接的设计挑战

    本文主要研究 Cross-lingual Entity Linking 领域中的一些技术问题，例如应用于小型 Wikipedia，以及如何选择英文维基百科标题来对应一个外文提及的实体等。作者提出了使用外部跨语言资源的解决方案 QuEL，并通过对多种语言的实验得到了较好的实验效果。

    May, 2020

  • 多语种实体链接基于密集检索

    实体链接是将文本提及与相应实体连接的计算过程。本论文通过开发多个系统，证明了即使资源有限，也可以构建在多种语言中运作的竞争性神经网络实体链接系统，从而使实体链接更容易接近。

    May, 2024

  • 端到端的神经实体链接

    本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

    Aug, 2018

  • 跨语言知识图谱实体标签映射的统计和神经方法

    本研究探讨使用单词和句子对齐技术以及匹配算法来对来自特定多个语言的 Wikidata 实体标签进行对齐，并展示使用该技术能显着提高信息一致性的 F1 得分，尤其是使用句子嵌入技术的方法，这将可以用于机器翻译等领域。

    Jun, 2022

  • LNN-EL：一种神经符号方法用于短文本实体链接

    本文提出了一种名为 LNN-EL 的神经符号方法，通过结合适用于一阶逻辑的可解释规则的优势和神经学习的性能，对短文本中的实体链接问题进行了处理。此方法不仅可以与基于规则的传统方法相媲美，而且还具有可扩展性和可转移性，并且可以跨数据集进行学习。

    Jun, 2021

  • 零资源跨语种实体链接

    本研究研究了交叉语言实体链接在资源匮乏情况下的应用，提出了三种改进方法，通过实验在四种极度低资源语言中取得了 6-23% 的端到端链接准确率提高。

    Sep, 2019

  • 跨域神经实体链接

    CDNEL 是一种跨领域神经实体链接框架，它通过学习不同领域知识库的联合表示空间来实现同时链接到通用领域知识库和特定领域知识库，其使用不同类型的数据集进行微调，从而得出不同的 CDNEL 模型变体。研究表明，使用 Zeshel 数据集中包括的四个领域进行评估时，这些变体实现了 9% 的平均精度提升。

    Sep, 2022