Jan, 2023

基于代理的零样本实体链接与有效候选项检索

PDF
TL;DR本研究中使用基于代理的度量学习损失和对抗性正则化器以提高候选人检索阶段的效率，从而提供了一种有效的替代方法来解决候选人检索的困难问题，并展示了零样本设置下的使用。
biomedical entity linkingcandidate retrievaldense representation retrievalmetric learning losszero-shot
发现论文，激发创造
  • 基于稠密实体检索的可扩展零样本实体链接

    本文介绍一种基于 BERT 的实体链接模型，采用两阶段的零样本链接算法，通过双编码器进行实体检索，并进一步用交叉编码器对候选实体进行重排序。经实验证明，这种方法不需要显式实体嵌入或手动工程化的实体表，已超越最近的零样本评估和已建立的非零样本评估（如 TACKBP-2010），并且具有速度快的优点。

    Nov, 2019

  • 利用粗到细的基于词典的检索器改进少样本和零样本实体连接

    本论文提出了一种基于词典的粗粒度到细粒度检索器，在两个层次上进行检索，以有效地检索实体候选项，并利用实体描述来消除与现有流行实体重名的尾部或新实体的歧义性，实验结果表明，我们的方法在不需要进行大量微调的情况下可以获得卓越的性能，在中文 Few-shot 和 Zero-shot 实体链接的 NLPCC 2023 共享任务 6 中名列第一。

    Aug, 2023

  • 为实体检索学习密集表示

    使用双编码器模型，在相同的密集向量空间中对实体和提及进行编码，并通过近似最近邻搜索检索候选实体，从而实现实体链接。通过使用维基百科中的锚文本链接训练双编码器，该方法优于离散别名表和 BM25 基线，并且与标准 TACKBP-2010 数据集中最佳结果相当，还可以快速检索候选者，并可以很好地推广到从 Wikinews 推导出的新数据集。在建模方面，我们演示了无监督的负采矿算法在这一任务中的重要作用。

    Sep, 2019

  • 元学习在有效的少样本命名实体链接中的应用

    本研究提出了一种基于元学习、弱监督和合成数据的方法，以解决自然语言处理领域中少样本实体链接任务。在实验中证明，该方法在少量标注数据情况下可以获得较好的效果，并具有良好的可迁移性。

    Jul, 2022

  • 重新审视稀疏检索用于少样本实体链接

    通过稀疏检索方法和基于 ELECTRA 的关键词提取器，提出了一种改进的实体链接方法以精确连接知识库中的模糊提及，对于限定领域的有限标注数据，实验证明该方法在 ZESHEL 数据集上明显优于现有模型，在所有测试领域中表现出关键词增强稀疏检索的有效性。

    Oct, 2023

  • 利用检索增强学习改进生物医学实体链接

    通过引入新的 $k$NN-BioEL 方案，以及使用动态难负采样 (DHNS) 进行对比学习，本研究提出了一种改进型的生物医学实体链接模型，可以提高模型对稀有和困难实体的处理能力，并在多个数据集上优于现有方法。

    Dec, 2023

  • 零样本实体链接的阅读与选择框架

    零摒弃实体链接是指将实体提及与未见过的实体对齐以挑战泛化能力。本文提出了一种读取和选择（ReS）框架，通过建模实体消歧的主要组成部分，即提及 - 实体匹配和跨实体比较，从而在候选检索和候选排序阶段均具备较好的性能，无需繁琐的多阶段预训练，展示了提及 - 实体和跨实体交互的有效性。

    Oct, 2023

  • 短社交媒体文本中实体链接的强韧候选生成

    研究了 Tweet 领域中实体链接方法的挑战，提出了一种使用来自维基百科的长上下文表示的混合解决方案，经过实验评估和比较，取得了 0.93 的召回率。

    Oct, 2022

  • 学习与职位匹配的检索

    应用学习检索技术改进 LinkedIn 的职位搜索和推荐系统，通过构建评估求职者资格的图和利用学习到的链接进行检索，提高应聘人员质量并优化求职者参与度。

    Feb, 2024

  • 检测、消岐、重新排序：自回归实体链接作为多任务问题

    提出了一种采用两个辅助任务进行训练，学习在推断时重新排列生成样本的自回归实体链接模型。实验表明，在医学和新闻领域的两个基准数据集上，该模型在不使用知识库或候选集的情况下创造了新的最高成果，并表明辅助任务对提高性能很关键。

    Apr, 2022