EMNLPNov, 2019

基于稠密实体检索的可扩展零样本实体链接

PDF
TL;DR本文介绍一种基于 BERT 的实体链接模型，采用两阶段的零样本链接算法，通过双编码器进行实体检索，并进一步用交叉编码器对候选实体进行重排序。经实验证明，这种方法不需要显式实体嵌入或手动工程化的实体表，已超越最近的零样本评估和已建立的非零样本评估（如 TACKBP-2010），并且具有速度快的优点。
发现论文，激发创造
  • 为实体检索学习密集表示

    使用双编码器模型，在相同的密集向量空间中对实体和提及进行编码，并通过近似最近邻搜索检索候选实体，从而实现实体链接。通过使用维基百科中的锚文本链接训练双编码器，该方法优于离散别名表和 BM25 基线，并且与标准 TACKBP-2010 数据集中最佳结果相当，还可以快速检索候选者，并可以很好地推广到从 Wikinews 推导出的新数据集。在建模方面，我们演示了无监督的负采矿算法在这一任务中的重要作用。

    Sep, 2019

  • 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

  • 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

  • 基于代理的零样本实体链接与有效候选项检索

    本研究中使用基于代理的度量学习损失和对抗性正则化器以提高候选人检索阶段的效率，从而提供了一种有效的替代方法来解决候选人检索的困难问题，并展示了零样本设置下的使用。

    Jan, 2023

  • 高效长序列建模的零次实体链接

    本文提出了一种不需要用长位置嵌入来预训练 BERT 的方法，通过称为 Embedding-repeat 的有效位置嵌入初始化方法扩展长程序列建模来解决零样本实体链接问题，并在 Wikia 的零样本 EL 数据集上将 SOTA 从 76.06％提高到了 79.08％，在长数据上的相应改进从 74.57％到了 82.14％。实验证明了长程序列建模的有效性。

    Oct, 2020

  • 利用粗到细的基于词典的检索器改进少样本和零样本实体连接

    本论文提出了一种基于词典的粗粒度到细粒度检索器，在两个层次上进行检索，以有效地检索实体候选项，并利用实体描述来消除与现有流行实体重名的尾部或新实体的歧义性，实验结果表明，我们的方法在不需要进行大量微调的情况下可以获得卓越的性能，在中文 Few-shot 和 Zero-shot 实体链接的 NLPCC 2023 共享任务 6 中名列第一。

    Aug, 2023

  • 重新审视稀疏检索用于少样本实体链接

    通过稀疏检索方法和基于 ELECTRA 的关键词提取器，提出了一种改进的实体链接方法以精确连接知识库中的模糊提及，对于限定领域的有限标注数据，实验证明该方法在 ZESHEL 数据集上明显优于现有模型，在所有测试领域中表现出关键词增强稀疏检索的有效性。

    Oct, 2023

  • 高效一遍式的问答实体链接

    ELQ 是一种快速的端到端实体链接模型，使用双编码器同时执行提及检测和链接，可用于提高下游问题回答系统的性能。

    Oct, 2020

  • 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

  • 短社交媒体文本中实体链接的强韧候选生成

    研究了 Tweet 领域中实体链接方法的挑战，提出了一种使用来自维基百科的长上下文表示的混合解决方案，经过实验评估和比较，取得了 0.93 的召回率。

    Oct, 2022