ACLMar, 2019

引入标签关系归纳偏置来进行极细粒度实体类型推断

PDF
TL;DR本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。
entity typinggraph propagationlabel correlationsattention-based matchingknowledge base schema
发现论文，激发创造
  • 层次化损失及新资源对于细粒度实体类型和链接的作用

    本文提出了使用双线性映射方法集成层次信息的新方法，相比于平面预测在实体链接和细粒度实体类型分类方面有显著的改进，并在基准 FIGER 数据集上实现了最新的最佳结果。

    Jul, 2018

  • 你的模型是否合理地分类实体？诊断和缓解实体类型中的虚假相关性

    该研究针对实体类型推断中的假关联问题，通过定义模型偏差种类并提出反事实数据增强方法，改善模型泛化能力。实验结果表明，该方法在提高模型性能方面具有一致的效果。

    May, 2022

  • 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

  • 知识图谱中基于上下文的实体类型识别

    本研究提出了一种利用上下文信息进行知识图谱实体类型推理的新方法，设计了两种推理机制：N2T 和 Agg2T，并提出了一种新的损失函数以减轻训练期间的误测问题。实验证明了该方法的有效性。

    Sep, 2021

  • 基于标签推理的细粒度实体类型判定

    该论文提出了 Label Reasoning Network (LRN)，通过发现和利用数据中隐含的外在和内在依赖关系知识，从而顺序推理细粒度实体标签，有效地建模、学习和推理复杂标签依赖关系，从而解决实体类型分类的挑战。实验结果表明，LRN 在标准超细粒度实体类型分类基准上实现了最先进的性能，并且可以有效地解决长尾标签问题。

    Sep, 2021

  • 为新 X (X = 语言、领域、风格) 迅速构建细粒度实体类型识别系统

    本文提出了一种无监督实体类型框架，通过结合符号和分布语义，使用语言结构学习通用的嵌入，并开发了一种新型的联合层次聚类和链接算法来对所有提及进行类型。该框架不依赖于任何注释数据、预定义的打字架构或手工特征，因此可以快速适应新的领域、体裁和语言。同时，它具有很大的灵活性，可以包括语言结构等来改进特定上下文表示。

    Mar, 2016

  • 知识图谱中的类型约束表示学习

    本文介绍了如何在现有的潜变量模型中整合先验类型约束来支持知识图谱的统计建模，并通过实验证明了关于关系类型的先验知识能够显著提高建模的性能，特别是在低复杂度约束下。同时，当在数据中缺少相关类型约束时，通过应用基于数据观察到的本地封闭世界假设，可以近似关系类型的语义。

    Aug, 2015

  • 多级排序的分层实体类型推断

    本文提出一种新的层次实体分类方法，该方法在训练和预测期间均考虑本体结构，其中我们的新颖多级学习排名损失根据类型树将正类型与负同级进行比较；在预测期间，我们定义一个由粗到细的译码器，基于已预测的父类型限制每个本体级别上的可行候选项。我们在多个数据集上实现了最先进的性能，尤其是在严格准确性方面。

    Apr, 2020

  • 使用 TypeNet 进行更细粒度的实体类型划分

    介绍了 TypeNet 数据集，该数据集由 1941 个类型组成，通过人工注释从 1081 个 Freebase 类型映射到 WordNet。本文还探讨了几种与先进系统可比的模型，以及在标准提及类型损失的基础上结合层次结构损失的技术，是未来研究的第一步。

    Nov, 2017

  • 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