Jun, 2020

REL：基于巨人肩膀上的实体链接器

PDF
TL;DR本文提出了一种名为 REL 的 Python 包和网络 API，它是一种具有模块化架构、使用最先进的自然语言处理研究的神经组件、不依赖外部来源、可轻松更新到较新的维基百科版本并具有最先进的性能的单一系统来填补现有工具的缺口。作者还在标准的实体链接基准测试上进行了实验比较。
entity linkingmodular architecturenatural language processingneural componentsstate-of-the-art performance
发现论文，激发创造
  • 通往语言无关的命名实体链接之路

    本文介绍了 LIEL，一种语言无关的实体链接系统，通过使用区分重排框架和许多不受领域和语言限制的特征函数，它可以在多种不同的语言中工作。在各种基准数据集上的实验表明，该系统在英语上表现出色，在训练过英语的情况下，也可以很好地工作在西班牙语上，这证明了该方法的可行性。

    Dec, 2017

  • 对话中的个人实体、概念和命名实体链接

    本文介绍了一种对话实体链接的工具，使用了不同于现有方法的技术来识别如人称实体和命名实体这种在对话中扮演重要角色的实体，并在实验中证明了其优于已有技术的性能。

    Jun, 2022

  • 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

  • 多语言端到端实体链接

    本文介绍了 BELA，这是第一个完全端到端的多语种实体链接模型，可以有效地在文本中检测和链接 97 种语言中的实体，并报告了其在四个实体链接数据集上的表现。

    Jun, 2023

  • EARL: 知识图谱中的实体和关系链接联合问答

    本文提出了一个名为 EARL 的框架，旨在将实体链接和关系链接作为一个联合任务来执行，实现了两种不同的解决策略：第一种策略是将联合实体和关系链接任务形式化为广义旅行商问题的一个实例，第二种策略使用机器学习利用知识图中节点之间的连接密度来预测实体和关系，评估结果表明两种策略均明显优于现有的实体和关系链接方法。

    Jan, 2018

  • 通过建模提及之间的潜在关系来提高实体链接

    本研究提出了一种新的神经实体链接模型，将实体链接中的关系视为潜在变量，并在优化实体链接系统的同时诱导这些关系，同时取得了 AIDA-CoNLL 基准测试上最好的结果。

    Apr, 2018

  • DBLPLink：DBLP 学术知识图谱的实体链接器

    本研究介绍了一个名为 DBLPLink 的网络应用程序，它在 DBLP 学术知识图上执行实体链接。DBLPLink 使用文本到文本的预训练语言模型（如 T5）从输入文本问题中生成实体标签范围。实体候选者从数据库中根据标签获取，并且实体重排器根据实体嵌入（如 TransE、DistMult 和 ComplEx）对它们进行排序。结果显示出来，用户可以在 T5-small、T5-base 和不同的 KG 嵌入之间进行比较和对比。该演示可在此 https 网址访问。

    Sep, 2023

  • ChatEL: 与聊天机器人进行的实体链接

    ChatEL 是一个三步骤的框架，用于指示 LLMs 返回准确结果，能够提高 10 个数据集的平均 F1 性能超过 2％。

    Feb, 2024

  • 现有端到端实体链接系统的公正深入评估

    本文针对实体链接系统的评估存在的问题，提出了更具意义和公正的方法，通过多个广泛使用的基准测试和两个新的基准测试，评估了多种现有的端到端实体链接器的强弱点及其可重复性。

    May, 2023