使用细粒度名称打标法评估多标签分类中的词嵌入

ACLJul, 2018

使用细粒度名称打标法评估多标签分类中的词嵌入

Evaluating Word Embeddings in Multi-label Classification Using Fine-grained Name Typing

Yadollah Yaghoobzadeh, Katharina Kann, Hinrich Schütze

TL;DR提出了基于多标签分类的新的词嵌入评测方法，其任务为细粒度名称分类，能够直接针对嵌入进行评测，相较于现有的评测数据集，所使用的知识库更大、包含细粒度类别并允许直接评测而无需考虑句子上下文等混淆因素。

Abstract

embedding models typically associate each word with a single real-valued vector, representing its different properties. evaluation methods, therefore, need to analyze the accuracy and completeness of these proper

embedding models evaluation methods multi-label classification fine-grained name typing knowledge bases

发现论文，激发创造

知识库实体的细粒度类型划分的多层次表示

本文研究自然语言中实体的多层表示学习方法，包括字符级、单词级和实体级。我们比较了各级别上的现有学习方法，确认每个级别的表示都提供互补信息，同时提出将三个级别的表示联合起来可以大幅度提高细粒度实体类型识别的性能，而添加实体描述信息能够进一步增强多层次的实体表示。

Jan, 2017

领域无关实体链接的细粒度实体类型划分

该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

Sep, 2019

语料库级细粒度实体类型标注

本文提出 FIGMENT 模型解决了基于语料库的实体类型问题。该模型使用多层次的实体表示和远程监督的噪声缓解算法，实现了知识库完成的任务。在基于 Freebase 的大型实体类型数据集中，该模型表现出很好的效果。

Aug, 2017

通过大规模打标实现可解释的实体表示

本研究提出了一种利用细粒度实体类型推断模型生成具备人类可读性，且能够直接用于实体相关任务的实体表示向量的方法，并针对特定领域实体优化表征，通过少量规则增加领域知识以提高性能。

Apr, 2020

精细图像分类的输出嵌入评估

本文研究了基于图像和类别嵌入来实现零样本学习，使用无监督学习得出的输出嵌入方法可达到比之前任何监督方法表现更好的分类效果，从而大大降低了对于细分类别标注数据的需求。

Sep, 2014

文字分类的词与标签联合嵌入

采用标签 - 词汇联合嵌入法和注意力机制的词嵌入模型，用于文本分类并保持了词嵌入的可解释性，同时提供了利用其他信息的能力。在多个大型文本数据集上实验表明，该方法在准确率和速度方面均优于现有最先进方法。

May, 2018

词向量评估方法概述

本论文总结了词嵌入表示领域的广泛研究，概括了 16 种内在方法和 12 种外在方法，提出了一种方法分类并讨论了一些关键挑战。

Jan, 2018

使用盒形嵌入模型精细建模实体类型

本文研究使用盒子嵌入（box embeddings）模型来更好地捕捉细粒度实体类型之间的复杂相互依存关系，并与矢量嵌入模型进行比较，在几个实体类型基准测试中表现出最先进的性能和更好的预测一致性和置信度。

Jan, 2021

实体链接技术优化细粒度实体类型划分

通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

Sep, 2019

文本分类的多任务标签嵌入

本文提出了 Multi-Task Label Embedding 模型，将文本分类中的标签转换为语义向量，从而将原始任务转化为向量匹配任务，利用任务间的语义相关性进行多任务学习，有效提升相关任务的性能。

Oct, 2017