Oct, 2022

专注于情境：改进被忽略的实体消歧

PDF
TL;DR本文介绍了一种迭代式方法 NICE，利用实体类型信息来支持上下文，避免过度依赖基于频率的先验知识，以达到更好的实体消岐性能结果。
entity disambiguationstructured knowledge baseiterative approachentity type informationperformance results
发现论文，激发创造
  • 利用先验探测评估实体消岐的鲁棒性：以实体压制为例

    使用 ShadowLink 数据集评估实体链接 (EL) 系统的性能，结果显示先验概率偏差和实体遮蔽对较常见实体和较少见实体的准确性都有很大影响。

    Aug, 2021

  • 基于知识库推理的实体消歧方法改进

    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。

    Jul, 2022

  • 命名实体消岐中词和实体嵌入联合学习

    本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010 数据集的最新技术水平。

    Jan, 2016

  • 生物医学文本命名实体消歧的跨领域数据集成

    本研究提出了一种跨领域数据整合方法，将通用文本知识库中的结构知识转移至医学领域，以解决医学领域的命名实体消岐问题，预训练模型使得命名实体消岐的准确性提高了高达 57 个百分点，并在 MedMentions 和 BC5CDR 两个基准医学命名实体消岐数据集上实现了最先进的性能。

    Oct, 2021

  • 通过建模主题和分类依赖进行一致的实体消岐

    通过引入无监督变分自编码器和外部类别内存，本文提出了一种新的实体消岐方法，名为 CoherentED，以提高实体预测的一致性。该模型在流行的实体消岐基准测试中取得了最新的成果，并在具有挑战性的长文本场景中表现出卓越的性能。

    Nov, 2023

  • 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

  • 超越 NED：基于知识库的复杂问答快速高效搜索空间削减

    CLOCQ 是一种基于 KB 感知信号的高效方法，通过 score-ordered KB 列表的前 k 个查询处理器，将语义匹配、与问题相关性、候选项间的协同性以及 KB 图的连接性信号相结合，剪枝掉搜索空间中的非相关部分，实验表明 CLOCQ 在复杂问题的 QA 基准测试中表现优于现有的基线。

    Aug, 2021

  • 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

  • 历史文本的对比实体指代消解

    通过历史文本中的大规模历史文献收集、交叉文献共指解析、实体消歧和评估数据，本研究对历史文本中的实体消歧问题进行了改进。

    Jun, 2024

  • 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