ACLJul, 2022

基于知识库推理的实体消歧方法改进

PDF
TL;DR提出了一种可在符号知识库中通过推理以完全可微的方式连接实体的实体消歧模型，该模型可以使用所有 KB 信息，超过六个著名实体消歧数据集中的现有模型，并在基于不常见和模糊实体的 ShadowLink 数据集中提高 12.7 F1。
entity disambiguationstructured knowledge baseed modelsymbolic knowledge baseshadowlink dataset
发现论文，激发创造
  • 在生物医学实体链接中探索部分知识库推理

    本研究探讨生物医学实体链接领域和命名实体识别和消歧方面的问题，分析了在局部知识库推理的情况下，EL 模型的性能下降严重，提出了两种简单而有效的方法来解决 NIL 问题。

    Mar, 2023

  • 将实体与任意模式的未见知识库连接

    本文研究实体链接在零样本链接中的应用，介绍了一种灵活的方法来将实体从任意的知识库中转化为平面字符串，与零样本链接模型配合使用，通过两种规则方法的改进，实现了模型的精度提升，实验结果表明我们的模型优于基准模型，并且本文的方法也可以无缝地结合多个训练数据集。

    Oct, 2020

  • 知识增强的上下文词表示

    提出了一种用多个知识库来加强大型模型表示的方法，每个知识库都通过一个集成实体链接器来检索相关实体嵌入，然后通过单词与实体关注的形式更新上下文单词表示，经实验发现知识增强的 BERT 模型具有更好的性能，且运行时间与 BERT 相当。

    Sep, 2019

  • 面向用户生成数据的高通量与语言无关实体消歧和链接

    该研究介绍了 Lithium EDL 系统和算法，它是一个高吞吐量、轻量级、语言无关的实体消岐和链接系统，比现有的系统解析正确率高 75% 且运行速度显著更快，可用于 Knowledge Base、文本分类和 NLP 任务。

    Mar, 2017

  • 基于融合实例解码的实体消歧

    提出了一种编码器 - 解码器模型来消除实体歧义，通过更详细的实体描述来改进基准性能，取得了强大而稳健的性能，尤其在 ZELDA 基准上比 GENRE 提高了 +1.5%，并在 GERBIL 基准的全流程实体链接中比 EntQA 提高了 +1.5%。

    Apr, 2024

  • 实体消歧与实体定义

    本文解决了 Entity Disambiguation 方向在仅仅使用 Wikipedia 标题作为文本表示的情况下，标题信息不足或相互区分度不够的局限性，并探讨了更加丰富的文本表达方式如何解决这一问题。作者认为，相比其他方法，采用 extractive formulations 和更具表达力的文本表示策略可以使模型在处理实体消歧任务上发挥更好的性能，从而在几个标准任务上取得了前沿的效果。

    Oct, 2022

  • 评估知识图谱上下文对实体消歧模型的影响

    本篇文章提出了一种基于知识图谱（如 Wikidata）的上下文推断方法，以提高预训练 transformer 模型在实体消歧（Named Entity Disambiguation）方面的性能，并通过实验证明该方法可以推广到维基百科，并显著优于现有基线方法。

    Aug, 2020

  • 利用深度神经网络和知识图谱进行实体消歧

    该论文介绍了一种基于深度神经网络和语义知识图谱的深层语义相关性模型（DSRM），用于测量实体之间的语义相关性以进行话题连贯性建模，相比于现有方法，DSRM 在两个公开数据集上减少了 19.4％和 24.5％ 的实体消岐错误率。

    Apr, 2015

  • 端到端任务导向对话系统中基于约束知识库的蒸馏

    论文利用基于余弦相似度的滤波技术以及辅助损失函数构建了一个新的关于任务导向型对话系统和知识库之间的信息筛选模型，并提出了一个解决现有实体 F1 指标正确性问题的新指标 multiset entity F1。实验结果表明该模型比现有的最先进模型表现更好。

    Sep, 2021

  • 仅需要你一点帮助就可以发现实体

    论文提出了在缺乏背景知识和长尾实体的情况下，通过自动化生成实体出现位置的候选项并结合用户反馈来提高实体链接的准确性的方法。选择了基于梯度互缠的多样化和文本相关性方法作为生成候选项的方法，并在 FACC 数据集上进行了广泛的实验，展示了该方法的有效性。

    Oct, 2018