EMNLPSep, 2021

基于标签推理的细粒度实体类型判定

PDF
TL;DR该论文提出了 Label Reasoning Network (LRN)，通过发现和利用数据中隐含的外在和内在依赖关系知识，从而顺序推理细粒度实体标签，有效地建模、学习和推理复杂标签依赖关系，从而解决实体类型分类的挑战。实验结果表明，LRN 在标准超细粒度实体类型分类基准上实现了最先进的性能，并且可以有效地解决长尾标签问题。
entity typinglabel dependencieslabel reasoning networkfine-grained entity labelslong-tailed
发现论文，激发创造
  • 引入标签关系归纳偏置来进行极细粒度实体类型推断

    本文提出了一种新的标签关系归纳偏好，利用图传播层有效编码全局标签共现统计和单词级别相似性，结合基于注意力的匹配模块，可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数，并且在输出的稳定性方面也更少不一致性。

    Mar, 2019

  • 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

  • 通过异质部分标签嵌入的实体类型标注噪声降噪

    使用 PLE 的低维度空间嵌入实体提及、文本特征和实体类型，以自动消除知识库标签中的错误，并为每个训练实例估计其类型路径。

    Feb, 2016

  • 领域无关实体链接的细粒度实体类型划分

    该论文介绍了一种可以构建鲁棒实体链接模型的方法，该方法将注意力放在建立细粒度实体属性的模型上，具有更好的泛化性能，使用维基百科类别的大型库存来远程标记数据并训练实体类型模型，使用软类型预测将提及链接到最相似的候选实体上。

    Sep, 2019

  • 层次化损失及新资源对于细粒度实体类型和链接的作用

    本文提出了使用双线性映射方法集成层次信息的新方法，相比于平面预测在实体链接和细粒度实体类型分类方面有显著的改进，并在基准 FIGER 数据集上实现了最新的最佳结果。

    Jul, 2018

  • 基于精细表示的远程监督数据细粒度命名实体识别

    本文提出了一种基于图卷积网络的方法，通过关注语料库级别的上下文提示来提炼含噪声的命名实体类型，实验证明该方法相对于现有研究提高了 10.2％和 8.3％的总体宏 / 微 F1 得分。

    Apr, 2020

  • 使用递归神经网络对实体、关系和文本进行推理链

    本论文致力于将符号逻辑推理的多步骤推理与神经网络的概括功能相结合。在文本和大型知识库中对实体和关系进行复杂推理。提出了三种重要的建模方法：（1）学习联合推理关系（2）使用神经注意力建模多个路径（3）学习在单个 RNN 中共享强度，使用我们的方法在实验任务中实现了 25％的错误率降低，推理中的错误率降低了 84％。

    Jul, 2016

  • 基于双向 LSTM 网络和注意力机制的语义关系分类与潜在实体类型识别

    本文提出了一种新颖的端到端循环神经模型，结合了实体感知的注意力机制和潜在实体类型（LET）方法，以解决语义关系分类任务中现有模型对高级语义和句法特征的过度依赖和未充分利用实体信息等问题。在 SemEval-2010 任务 8 上的实验结果表明，该模型在无需高级特征的情况下胜过现有最先进的模型。

    Jan, 2019

  • 利用来自掩蔽语言模型的弱监督进行超细实体类型识别

    本文提出了使用 BERT 遮盖语言模型 (Masked Language Model) 获得超细粒度实体类型的训练数据，并构建一个输入使其产生预测上下文相关的超类词表中的概念，其可用作类型标签。在实验结果中表明，通过这些自动生成的标签，超细粒度实体类型模型的性能大大提高。同时，我们还展示了这种方法可以用于改进传统的细粒度实体类型。

    Jun, 2021

  • 多批次新出现实体归纳知识图谱推理

    本研究提出了一种基于图卷积网络和关系聚合的归纳推理模型，利用自适应关系聚合和反馈注意机制对实体进行编码和更新，并针对新实体的稀疏性问题提出了链接增强策略。实验结果表明该模型在归纳知识图谱推理方面优于现有的基于嵌入、基于行走和基于规则的模型。

    Aug, 2022