ACLJun, 2021

通过语义加强实体嵌入来提高实体链接

PDF
TL;DR文章提出了简单且有效的 FGS2EE 方法，通过将语义类型词的嵌入与现有实体嵌入进行线性聚合，注入了细粒度的语义信息进入实体嵌入，以减少其鲜明性并便于上下文语境学习。实验证明，这种嵌入方法在实体链接任务中表现优于先前的方法，并取得了新的最佳效果。
entity embeddingsneural entity linking modelsfgs2eesemantic embeddingsstate-of-the-art performance
发现论文，激发创造
  • NSEEN：面向实体归一化的神经语义嵌入

    本研究基于深度单妻神经网络模型，将实体及其语法变化的语义信息嵌入到嵌入向量中，以实现对大型参考集的新实体实现快速映射，并在挑战性的生物实体规范化数据集中证明了框架的有效性。

    Nov, 2018

  • 协同信号：通过图神经网络利用协同参与和语义链接

    基于语义的图神经网络（SemanticGNN）是在大规模知识图谱中建模实体、语义概念、协作边和语义边，并对其进行表示学习的一种新颖的图模型，通过融合协同活动数据和丰富的语义信息提供更准确的实体相似度计算。实证实验证明所提出的模型在相似度判断任务上的性能提升达到 35%。

    Dec, 2023

  • 注入词库的短语嵌入用于命名实体识别

    本文提出了一种新的学习单词嵌入的方法，可以利用相关词汇表的信息来改进单词表示，并使用神经单词嵌入在 CoNLL 和 Ontonotes NER 中实现了最先进的结果。在公共数据上取得了 90.9 的 F1 评分，优于以前的任何系统，并与使用私有工业查询日志数据的系统匹配。

    Apr, 2014

  • 通过关系原型实体利用知识图谱中的全局语义相似性

    本文提出了一种新颖的知识图谱嵌入方法，引入了一组虚拟的关系原型实体来表示连接同一关系的头尾实体的原型，通过将实体的嵌入与其关联的原型的嵌入靠近，有效鼓励了由同一关系连接的可能在知识图谱中相距较远的实体的全局语义相似性，并在实体对齐和知识图谱完成任务上显著优于最新的现有方法。

    Jun, 2022

  • 实体对齐的知识图谱嵌入方法：实验评述

    本文通过进行第一次统计学分析，对知识图谱中利用嵌入方法进行的实体对齐的流行方法进行了评估，并根据其在不同性能度量和知识图谱特征方面的有效性将其排名。

    Mar, 2022

  • 知识图谱嵌入：概述

    本文综述了知识图谱完成中的当前研究状态，特别关注了知识图谱嵌入设计的两个主要分支：基于距离的方法和基于语义匹配的方法，并探讨了与最近提出的模型之间的关联及其背后的趋势，最后讨论了利用预训练语言模型和实体关系的文本描述相结合进行知识图谱完成的新方法。

    Sep, 2023

  • 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

  • 使用多个嵌入表示的实体命名链接

    提出了一种基于多重嵌入的命名实体链接方法，并在 Namesakes 数据集上评估了其性能。发现创建知识库实体所需的最少提及数量对 NEL 性能非常重要，并可通过调整知识库数据来改善表示，同时也发现多样化新闻语料库的语言模型比公共数据集更适合命名实体链接中的嵌入。

    May, 2022

  • SEE: 基于语法感知的实体嵌入用于神经关系抽取

    本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

    Jan, 2018

  • 实体标注文本的词嵌入

    本文研究了在大型语料库上联合训练单词和实体嵌入的方法以及它们在各种自然语言处理任务上的表现，发现仅仅在注释语料库上训练流行的单词嵌入模型无法创建具有可接受性能的实体嵌入，而我们的实体共现图嵌入方法能够恢复性能。

    Feb, 2019