Oct, 2018

仅需要你一点帮助就可以发现实体

PDF
TL;DR论文提出了在缺乏背景知识和长尾实体的情况下，通过自动化生成实体出现位置的候选项并结合用户反馈来提高实体链接的准确性的方法。选择了基于梯度互缠的多样化和文本相关性方法作为生成候选项的方法，并在 FACC 数据集上进行了广泛的实验，展示了该方法的有效性。
entity linkingknowledge baseslong-tail entitiesautomated entity representationhuman-in-the-loop retrieval
发现论文，激发创造
  • 通过搜索维基百科句子进行查询的实体链接

    本研究提供了一种简单而有效的方法，利用维基百科文章中与查询类似的句子，并直接使用其中人工注释的实体作为查询的候选实体，然后使用一系列特征来排名，包括概率、上下文匹配、词嵌入以及候选实体及其相关实体之间的相关性。通过该方法我们可以在实体链接基准测试中取得更好的结果。

    Apr, 2017

  • 长尾实体的开放知识扩充

    本文提出了一种全面的知识丰富方法，利用开放 Web 预测缺失属性并推断长尾实体的真实事实来改进知识库，实验结果表明该方法的可行性和优越性。

    Feb, 2020

  • 面向实体链接的概率超链接包模型

    本文提出了一种基于概率图模型的联合实体消岐方法，充分利用了文档级别实体共现和上下文信息，避免昂贵的训练过程和专业特征工程，通过节点置信传递来做近似推断，能够在实时场景中快速高效地工作，对多种基准数据集进行了准确性测试，表现与现有先进方法相当甚至更好。

    Sep, 2015

  • EntQA: 实体链接问答

    EntQA 模型通过借鉴问题解答技术，在不需要已知实体的情况下，快速定位文档中的潜在实体，并在 GERBIL 基准测试中获得了良好的结果。

    Oct, 2021

  • 将实体与任意模式的未见知识库连接

    本文研究实体链接在零样本链接中的应用，介绍了一种灵活的方法来将实体从任意的知识库中转化为平面字符串，与零样本链接模型配合使用，通过两种规则方法的改进，实现了模型的精度提升，实验结果表明我们的模型优于基准模型，并且本文的方法也可以无缝地结合多个训练数据集。

    Oct, 2020

  • 通过链接预测从文本中归纳实体表征

    本文通过一个综合评估协议，探讨了使用预测链接的实体表示学习，并考虑了线性预测和实体分类任务以及针对面向实体的搜索的信息检索任务，通过一个预训练的语言模型体系结构，证明这些学习的表示不仅适用于 KG 特定任务，还具有比之前的方法更强的泛化性能，同时也在其他任务方面表现出色。

    Oct, 2020

  • 长尾实体的知识库补全

    本文提出了一种基于语言模型的知识库完成方法，针对长尾实体的事实，该方法利用两个不同的语言模型进行候选检索和候选验证和消歧，通过评估我们的方法和不同的基线，引入一个名为 MALT 的基于 Wikidata 的数据集，我们的方法在 F1 中优于所有基线，尤其是在召回率方面有很大提升。

    Jun, 2023

  • 基于实体简介生成的 Wikidata 实体链接候选集提升

    该研究提出了一种基于实体建模的候选实体检索范式，该范式首先将 Wikidata 实体及其文本字段索引到文本搜索引擎中，再使用序列到序列模型生成目标实体的摘要，从而查询已索引的搜索引擎以检索候选实体，最后结合交叉注意力重新排序器，实现了在三个基于 Wikidata 的数据集上的最先进效果和在 TACKBP-2010 上的强劲表现的高度有效的混合方法候选实体检索和实体链接框架。

    Feb, 2022

  • 通过利用未标注文档提高实体链接性能

    本研究提出一种基于未标记的自然文本和维基百科的无监督学习方法，探索实体链接，使用潜在变量的主题模型学习本地语境和文档中其他实体的相互衔接，结果表明该方法优于现有的有监督的系统，应该是一种普遍适用于自然语言处理领域的方法。

    Jun, 2019

  • 作者之团：从社交网络上下文中消除姓名歧义

    研究使用关联网络和 BERT 来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

    Aug, 2022