ACLSep, 2019

BERT 模型全局实体消歧

PDF
TL;DR本研究提出了一种基于 BERT 的全球实体消岐模型，通过考虑实体作为输入 token 来捕捉全局上下文信息，通过对称地解决提到的实体并在每个步骤中使用已解决的实体作为输入来解决任务，使用维基百科获得大量的实体注释语料库进行模型训练，结果在五个标准 ED 数据集上实现了新的最先进结果。
global entity disambiguationbertcontextual informationentity-annotated corpusstate-of-the-art results
发现论文，激发创造
  • 实体消歧与实体定义

    本文解决了 Entity Disambiguation 方向在仅仅使用 Wikipedia 标题作为文本表示的情况下，标题信息不足或相互区分度不够的局限性，并探讨了更加丰富的文本表达方式如何解决这一问题。作者认为，相比其他方法，采用 extractive formulations 和更具表达力的文本表示策略可以使模型在处理实体消歧任务上发挥更好的性能，从而在几个标准任务上取得了前沿的效果。

    Oct, 2022

  • 基于融合实例解码的实体消歧

    提出了一种编码器 - 解码器模型来消除实体歧义，通过更详细的实体描述来改进基准性能，取得了强大而稳健的性能，尤其在 ZELDA 基准上比 GENRE 提高了 +1.5%，并在 GERBIL 基准的全流程实体链接中比 EntQA 提高了 +1.5%。

    Apr, 2024

  • 端到端的神经实体链接

    本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

    Aug, 2018

  • 使用简单的神经端对端实体链接探究 BERT 中的实体知识

    使用 BERT 模型结合用于上下文文本表示的模型来一并训练实体链接系统，在一个实体链接基准数据集上，我们的模型得分第二，但在其他自然语言处理基准数据集上对于实体知识的了解并没有提高模型的表现。

    Mar, 2020

  • 嘈杂文本的命名实体消歧

    本文主要介绍了一种基于神经模型和样本采集技术的 Named Entity Disambiguation 方法，使用 WikilinksNED 数据集进行训练与测试，并且在 embedding 初始化方面做了一些优化，取得显著的性能提升。

    Jun, 2017

  • Entity-aware ELMo：学习上下文实体表征以解决实体消歧

    本研究提出了一种新的本地实体消岐系统，依赖于一种名为 E-ELMo 的实体感知扩展 embedding 方法，能在指定的段落中，基于其它提及的实体，预测它们所指的具体实体，并在 AIDA test-b 评测中提高 0.5% 的微平均准确率，创造了业界先进的性能表现。

    Aug, 2019

  • 命名实体消岐中词和实体嵌入联合学习

    本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010 数据集的最新技术水平。

    Jan, 2016

  • 使用 BERT 实现通用语言命名实体识别

    本文研究了一种基于多语言 BERT 的单一命名实体识别模型，使用多任务学习和分块更新规则等正则化策略优化模型，并证明在多种语言数据集上表现优于专注于单一语言模型，并能够进行零样本预测。

    Nov, 2019

  • 面向用户生成数据的高通量与语言无关实体消歧和链接

    该研究介绍了 Lithium EDL 系统和算法，它是一个高吞吐量、轻量级、语言无关的实体消岐和链接系统，比现有的系统解析正确率高 75% 且运行速度显著更快，可用于 Knowledge Base、文本分类和 NLP 任务。

    Mar, 2017

  • 使用双编码器快速有效的生物医学实体链接

    本研究提出了一种基于 BERT 的双编码器模型，可一次处理文档中的多个关键词，解决了现有模型效率低的问题，在生物医学实体链接领域取得了与现有模型相当的准确性，并对其进行了改进，实现了端到端生物医学实体链接，表现出更好的性能.

    Mar, 2021