Sep, 2019

学习动态上下文增强全局实体链接

PDF
TL;DR本研究提出一种叫做动态上下文扩展 (Dynamic Context Augmentation，DCA) 的实体链接方法，该方法通过顺序积累上下文信息来实现高效的集体推断，并可作为插件增强不同的本地实体链接模型。通过监督学习和强化学习的方式学习 DCA 模型，实验结果表明该模型在不同的学习设置、基本模型、决策顺序和注意机制下具有很好的效果。
entity linkingcollective inferencedynamic context augmentationsupervised learningreinforcement learning
发现论文，激发创造
  • 深度强化学习的联合实体链接

    本研究提出一种基于强化学习的方法，将实体链接转换为序列决策问题，全局考虑前面提及的实体，并探索当前选择对后续决策的长期影响，实验证明该模型比现有系统表现更好且具有更好的泛化性能。

    Feb, 2019

  • LDCA: 基于上下文增强的局部描述符的少样本学习

    本研究提出了一种名为 “局部描述符上下文增强” 的新方法，通过利用自适应全局上下文增强模块，独特地将局部描素与全局理解之间的差距相互联系起来，从而确保对于每个局部特征都进行更大范围的视觉解释，以取得在细粒度分类任务上最高绝对改进率达 20% 的显著进展。

    Jan, 2024

  • 学习为实体链接选择下一个合理提及

    文献中提出了 DyMen 模型，使用强化学习动态调整实体链接过程中的链接目标，以充分利用先前链接的信息，并通过滑动窗口抽样以维持提及的语义一致性。在多个基准数据集上的实验结果表明，该方法的有效性。

    Dec, 2021

  • 动态上下文对应网络（DCN）用于语义对齐

    该论文提出了一种名为 DCCNet 的动态上下文对应网络，通过引入注意力机制，整合了多种语义线索，对计算机视觉中语义对应问题进行了改进，并在多个数据集上验证了该方法的有效性。

    Sep, 2019

  • DAIL: 利用自己的改写来增强上下文学习的数据增强

    通过数据增强的方法，利用大规模预训练的语言模型，提出了一种名为 DAIL 的上下文学习方法，该方法在低资源环境中取得了比标准的 ICL 方法和其他组合方法更好的效果，并探索了投票一致性作为模型置信度评分的应用。

    Nov, 2023

  • 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

  • LearnDA: 可学习的知识引导数据增强用于事件因果关系识别

    本文介绍了一种新的事件因果识别训练数据增强方法，该方法采用双重学习框架和基于知识引导的方法生成新的句子，实验表明该方法在两个基准测试数据集上表现优于之前的方法。

    Jun, 2021

  • 零样本上下文学习的演示增强

    我们提出了一种名为 Demonstration Augmentation for In-context Learning (DAIL) 的方法，通过利用模型之前预测的历史样本作为后续样本的演示，来解决大型语言模型在零 - shot 学习中依赖外部信息并且生成过程耗时的问题，同时在没有任何外部信息的情况下，DAIL 不增加推理成本可以显著提高模型的性能。

    Jun, 2024

  • 基于深度学习的实体链接模型综述

    综述了自 2015 年以来，神经实体链接 (EL) 系统的最新发展，目的是系统化神经实体链接系统的设计特征，并将其性能与常见基准测试中的经典方法进行比较。该文从候选生成、提及 - 上下文编码和实体排名等方面讨论了神经 EL 系统的通用架构，总结了每个方法的突出特点。

    May, 2020

  • 多语种实体链接基于密集检索

    实体链接是将文本提及与相应实体连接的计算过程。本论文通过开发多个系统，证明了即使资源有限，也可以构建在多种语言中运作的竞争性神经网络实体链接系统，从而使实体链接更容易接近。

    May, 2024