具有层级感知损失的神经细粒度实体类型分类

ACLMar, 2018

具有层级感知损失的神经细粒度实体类型分类

Neural Fine-Grained Entity Type Classification with Hierarchy-Aware Loss

Peng Xu, Denilson Barbosa

TL;DR本研究提出了一种基于神经网络模型的端到端解决方案，使用一种变种的交叉熵损失函数来处理上下文外标签，并使用分层损失规范化来处理过于特定的标签，利用公共词嵌入来训练单标签，从而同时学习实体提及及其上下文的表示，实验证明该方法对噪声具有鲁棒性，并在任务的已有基准测试中持续超过现有技术水平。

Abstract

The task of fine-grained entity type classification (FETC) consists of assigning types from a hierarchy to entity mentions in text. Existing methods rely on distant supervision and are thus susceptible to noisy labels that can be out-of-context or overly-specific for the training sente

fine-grained entity type classification neural network model cross-entropy loss function hierarchical loss normalization word embeddings

发现论文，激发创造

通过联合学习表示和标签嵌入进行细粒度实体类型分类

本文提出了一种基于神经网络的模型，联合学习实体提及及其上下文表示，通过使用非参数的变体铰链损失函数解决训练数据含噪的问题，并证明了该模型表现优于现有技术，同时可以实现知识迁移。

Feb, 2017

面向细粒度实体类型划分的类型丰富的分层对比策略

该论文提出了一种类型丰富的层次对比策略用于细粒度实体类型，使模型直接区分不同层次的类型差异并提高了区分多粒度相似类型的能力。在 BBN、OntoNotes 和 FIGER 三个基准上的实验结果表明，该方法通过有效地建模类型差异在 FET 上实现了显著的性能提升。

Aug, 2022

细粒度实体类型自动嘈杂标签纠正

本文提出了一种新方法，通过估计先前模型的逻辑输出确定潜在的嘈杂标签，然后训练一个鲁邦模型来除去剩余的噪声标签，从而自动校正 FINE-Grained 实体类型任务中的嘈杂标签，证明了方法的有效性。

May, 2022

为实现精细化实体类型标注而进行的本体增强

OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

Oct, 2023

自动标签解释与实例生成的少样本细粒度实体类型划分

本文提出了一个新的架构，包括两个模块：（1）实体类型标签解释模块，自动学习将类型标签与词汇表相关联的方法，（2）基于类型的上下文实例生成器，根据给定实例生成新实例，以扩大训练集以获得更好的泛化能力。在三个基准数据集上，该模型的性能明显高于现有方法。

Jun, 2022

通过共同预测提示调整学习纠正噪声标签的细粒度实体类型

为了解决细粒度实体类型任务中的噪声标注问题，引入了 Co-Prediction Prompt Tuning 方法，利用多个预测结果来识别和纠正错误标签，并设计了优化目标以考虑训练过程中的不一致预测，实验结果表明该方法显著提高了各种类型的训练样本的质量。

Oct, 2023

从超细到精细：微调超细实体类型模型至细粒度

通过使用超细粒度实体类型数据训练一个具有极广泛类型覆盖的实体类型模型，然后在新设计的细粒度实体类型模式下，通过少量手动标注的样本对先前训练的模型进行微调，我们提出了一种新的方法，能够避免在新类型架构时创建远距离标记数据的需求，并在低样本学习设置下实现出色的细粒度实体类型识别性能。

Dec, 2023

细粒度实体类型分类的神经架构

本文采用几种神经网络结构进行细粒度实体类型分类研究，并考虑了对最近提出的注意力神经结构的扩展，得出了三个关键贡献：结合学习和手工特征，同时观察它们互补作用；定量分析表明该注意力机制能够学习关注句法头和包含提及的短语，在我们的任务中，这些都是强大的手工特征；通过分层标签编码方法实现参数共享，在低维投影中显示出每种类型层次的明显聚类；虽然使用相同的评估数据集，但文献经常比较使用不同数据训练的模型，我们发现训练数据的选择对性能有显着影响，甚至会降低先前提出的方法的松散微 F1 得分高达 9.85％，但我们的最佳模型在广为人知的 FIGER（GOLD）数据集上实现了最新成果，松弛的微 F1 得分为 75.36％。

Jun, 2016

一种细粒度实体类型分类的注意力神经网络架构

本文提出了一种新颖的基于注意力机制的神经网络模型，用于精细分类实体类型，与以前的模型不同的是，我们的模型递归地构建实体提及上下文的表示。我们的模型在著名的 FIGER 数据集上实现了 74.94% 的松散微平均 F1 分数，相对提高了 2.59％。我们还研究了我们的模型中注意机制的行为，并观察到它可以学习表明实体精细类别成员资格的上下文语言表达式。

Apr, 2016

OntoType：本体指导的零样本细粒度实体类型识别，在预训练语言模型弱监督下

本文提出了一种本体导向的零样本方法 OntoType，使用多个预训练的语言模型和头部单词生成一组类型候选，并使用一个自然语言推理模型在本地上下文中对其进行分类，其表现优于其他零样本细粒度实体类型方法，同时实验还表明，对现有本体结构进行细化处理将进一步提高实体类型的细化。

May, 2023