WWWFeb, 2019

CESI：利用嵌入和附加信息规范化开放知识库

PDF
TL;DR本文介绍了一种新方法 Canonicalization using Embeddings and Side Information（CESI），通过学习 Open Knowledge Bases 的嵌入向量，对其中的重复和模糊事实进行规范化，在多个真实数据集上进行的实验表明 CESI 的有效性。
open information extractionopen knowledge basescanonicalizationembeddingsside information
发现论文，激发创造
  • 联合开放知识库规范化和链接

    本文提出了一个基于因子图模型的框架 JOCL，该框架整合了 OKB 规范化和链接两个关键任务，可以灵活地结合不同的信号，并能够扩展以适应任何新信号。在两个大规模 OIE 三元组数据集上进行的彻底实验研究表明，我们的框架在 OKB 规范化和链接任务方面的平均 F1（准确性）方面均优于所有基线方法。

    Dec, 2022

  • 开放知识库规范化的多视角聚类

    提出了一种新的无监督方法 CMVC，它利用了知识的 fact view 和 context view 来对开放知识库（OKB）进行规范化，通过多视角特征聚类算法来学习视角特定的嵌入，进而对概念和关系短语进行聚类来达到规范化的目的。实验表明该方法在多个真实 OKB 数据集上表现优异。

    Jun, 2022

  • OpenKI：结合开放信息抽取、知识库和关系推理的方法

    本文提出了 OpenKI 模型，通过对 OpenIE 三元组和 Knowledge Bases（KB）的整合来处理 OpenIE 的稀疏性。该模型通过进行实例级别推理来处理未知实体，并借助聚合和关注机制在关系推理中利用其邻域中的信息。实验结果表明，该方法不仅显着提高了现有 OpenIE 提取的准确率，而且还提高了面向半结构化数据的 OpenIE 表现。

    Apr, 2019

  • 使用生成翻译技术映射和清理开放通识知识库

    本文提出了一种基于生成式翻译的方法，通过训练语言模型，将开放式知识库映射到现有知识库的固定模式中，以此解决了开放式知识抽取中存在的问题。实验证明，该方法在传统方法和生成式知识库构建之间找到了一个甜点，并且在避免后者的相关性噪声的同时，比前者产生了更高的映射准确性。

    Jun, 2023

  • 将表面事实与大规模知识图谱相关联

    通过提出一个新的基准测试，该研究论文旨在解决通过评估协议以考量系统的能力，从而能在更细粒度的三元槽级别上测量事实链接性能，同时测量一个系统是否能识别到表面形式在现有知识图谱中没有匹配项。研究还表明，与准确链接到现有实体相比，检测出现有知识图谱中不存在的实体和谓词更加困难，因此需要更多的研究努力来解决这个难题。

    Oct, 2023

  • 使用多任务学习的开放知识库规范化

    构建大型开放知识库（OKBs）对于许多知识驱动的 Web 应用程序（如 Web 搜索）至关重要。然而，OKBs 中的名词短语和关系短语常常存在冗余和歧义，因此需要研究 OKB 规范化。本文提出了一种名为 MulCanon 的多任务学习框架，用于解决 OKB 规范化问题，并通过扩散模型在软聚类过程中改进名词短语的表示，以获得更准确的表示。MulCanon 统一了这些子任务的学习目标，并采用两阶段多任务学习范式进行训练。对知名 OKB 规范化基准的彻底实验研究验证了 MulCanon 能够实现具有竞争力的规范化结果。

    Mar, 2024

  • 开放信息提取

    本文概述了两代 Open IE 系统，包括其优点、弱点和应用范围。第二代系统在深度语言学分析下，通过动词短语或从句提取最常见的关系类型，并获得比第一代系统更高的性能。

    Jul, 2016

  • 用嵌入模型连接语言和知识库进行关系提取

    本文提出一种新方法用于从自由文本中提取关系，该方法通过从知识库中学习单词和实体关系的低维嵌入来联合使用文本和现有知识信息，实验证明该方法能够有效地利用大量 Freebase 数据 (4M 实体、23k 关系) 提供的额外信息来改善仅依赖于文本特征的现有方法。

    Jul, 2013

  • 使用异构表示法连接语言和知识进行神经关系抽取

    本文介绍一种统一 Relation Extraction 和 KB Embeddings 的学习框架，并证明在知识库更新任务中取得了显著进展。

    Mar, 2019

  • 基于预训练语言模型的高效开放信息抽取数据学习

    通过将 OpenIE 任务形式巧妙地转换为 T5 模型的预训练任务形式，并引入锚点的创新概念，OK-IE 显著减少了对大量训练数据的需求，消除了模型收敛速度慢的问题，实验结果显示，相较于之前的 SOTA 方法，OK-IE 仅需 1/100 的训练数据量（900 个实例）和 1/120 的训练时间（3 分钟）即可达到可比较的结果。

    Oct, 2023