AAAINov, 2018

ColNet: 嵌入 Web 表格的语义，预测列类型

PDF
TL;DR本文提出了一个名为 ColNet 的神经网络列类型注释框架，它能够集成知识库推理和查找，自动训练卷积神经网络进行预测，不仅考虑了单元格内上下文语义，还从多个单元格中学习了列语义的局部特征，并在基于 DBPedia 和两个不同的 Web 表格数据集上进行了评估，并取得了比最先进方法更高的性能。
发现论文，激发创造
  • 学习表格数据的语义注释

    本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

    May, 2019

  • TCN：用于 Web 表格解释的表卷积网络

    本文提出一种基于表格卷积网络的关系表格表示学习方法，旨在有效获取短尾信息，充实知识图谱，并考虑从不同角度聚合多类型隐含连接的单元格内和跨表的语境信息，实验表明本方法在真实 Web 数据集上可以有效预测列类型和对列关系，大幅提升了预测准确率。

    Feb, 2021

  • KGLink：一种结合知识图谱和预训练语言模型的列类型注释方法

    KGLink 是一种结合了 WikiData 知识图谱信息和预训练深度学习语言模型的方法，能有效地解决表格列注释中的类型粒度和有价值上下文缺失问题。

    Jun, 2024

  • 利用字符级卷积神经网络对表格数据集进行语义分类

    该论文提出了一种基于字符级卷积神经网络的转移学习方法，用于语意分类表格数据，并开发了一个名为 SIMON 的工具包，它可以在自然语言处理中进行分类、垃圾邮件分类和社交媒体年龄预测等任务。

    Jan, 2019

  • 图神经网络方法用于表格中的语义类型检测

    这项研究解决了在关系表中检测语义列类型的挑战，提出了一种使用图神经网络的新方法，既改进了预测准确度，又允许语言模型聚焦于不同关系表的信息，并在语义类型检测方面优于现有的算法。

    Apr, 2024

  • Table2Vec: 表格填充和检索的神经单词和实体嵌入

    本文使用神经语言模型将表格数据嵌入向量空间，并将它们作为额外的语义相似性信号，应用于三种特定的表格相关任务：行填充、列填充和表检索。评估结果表明，表格嵌入可以显著提高现有基线模型的性能。

    May, 2019

  • 从 Web 表格中发现新实体

    这篇研究提出一种方法，通过挖掘网络表格中的信息来发现知识库中尚未链接的实体和关系，从而补充和完善知识库。研究结果表明，该方法有效提高了精度并保持回收率稳定。

    Feb, 2020

  • 利用列关键词回答网络表查询

    本文介绍了一种设计良好的结构化搜索引擎，它以每列的关键词描述为查询的关键词，并利用网络上的海量表格来回答查询，用图形化模型来映射多个表格，并基于句子共现、匹配和内容重叠来描述查询。实验结果表明，该引擎比基线 IR 方法有显著的提高。

    Jun, 2012

  • 基于卷积神经网络的知识库补全新嵌入模型

    本文提出了一种名为 ConvKB 的嵌入模型，通过卷积神经网络来捕获知识库中实体和关系之间的全局关系和转换特征，并在两个基准数据集上实现了比以前最先进的嵌入模型更好的链接预测性能。

    Dec, 2017

  • AdaTyper：自适应语义列类型检测

    AdaTyper 使用混合类型预测器，结合基于规则和轻量级机器学习模型，通过弱监督方法和最少的人工反馈，在推理时针对新的语义类型和数据分布变化进行自适应，能显著提高新型和已有类型的 f1-score。

    Nov, 2023