Feb, 2023

揭示未知：使用实体链接技术进行知识库外提及发现

PDF
TL;DR提出了基于 BERT 的实体链接方法 BLINKout，该方法结合了 NIL 表示、NIL 分类和同义词增强等多种技巧，能够识别没有对应知识库实体的提及，并通过本体修剪和版本控制等策略，从正常的知识库内实体链接数据集中构建出不在知识库内的提及。在 4 个医学本体数据集上的实验结果表明，BLINKout 方法在 UMLS 和 SNOMED CT 等医学本体的不在知识库内提及检测方面表现优异。
发现论文，激发创造
  • 学习不链接：探索实体链接中的 NIL 预测

    本文提出了一个实体链接数据集 NEL 来研究 NIL 预测问题，该数据集利用预训练语言模型捕捉语义特征并分类 Missing Entity 和 Non-Entity Phrase。研究结果表明，训练数据中的两种类型的 NIL 提及对 NIL 预测的准确性有显著影响。

    May, 2023

  • 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

  • 寻找资金：使用不完整的资金知识库进行实体链接

    该研究提出了一种基于 transformer 的实体链接模型，可在信息稀缺的情况下进行 NIL 预测，并且在自动提取资金信息，实体链接等方面具有显著的优势。

    Sep, 2022

  • 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

  • NASTyLinker: 基于 Transformer 的 NIL 感知可扩展实体链接器

    该研究提出了一种新的实体链接方法，利用 Transformers 构建密集表示并考虑了 NIL 实体情况，通过产生相应的提及聚类同时保持良好的实体链接表现，该方法以 NILK 数据集为基础进行了评估并在维基百科列表中的实体链接任务中进行了应用和分析。

    Mar, 2023

  • 基于 Elasticsearch 的 BLINK 实现商业对话中高效实体链接

    本文提出了一种神经实体链接系统，将商业对话中产品和组织类型实体与维基百科和维基数据项目相对应，并利用 Elasticsearch 在云机器中部署，以确保推理效率并获得显着的推理速度和存储空间消耗的改进，而仍保持高准确性。

    May, 2022

  • 用于实体发现和链接的神经网络模型

    本论文描述了 USTC_NELSLIP 系统，在 2016 年 TAC 知识库填充 (KBP) 竞赛中提交的 Trilingual Entity Detection and Linking (EDL) 赛道，使用了两种方法进行实体发现和提及检测 (即使用 条件 RNNLM 和基于注意力的编码器解码器框架)，将实体链接 (EL) 系统分为两个模块：基于规则的候选生成和神经网络概率排名模型。此外，还使用一些简单的字符串匹配规则进行 NIL 聚类，在结束时，我们的最佳系统在整个类型提及 CEAF 加度量中取得了 0.624 的 F1 值。

    Nov, 2016

  • 职场领域的实体链接

    本文首次探索在职业技能与 ESCO 分类之间进行实体链接，使用高效的神经模型（双编码器和自回归模型）进行技能链接的实证研究。

    Jan, 2024

  • 基于聚类的生物医学实体链接推导

    该研究提出了一种基于聚类的推理模型，可以在生物医药领域的文本中实现实体链接，将多个提及归为一组，有望提高独立预测精度。

    Oct, 2020

  • 利用关系外知识库作为监督进行关系发现

    本文研究了如何使用 “非关系型知识库” 监督从给定语料库中发现未见过的关系，我们提出了一种基于知识库嵌入的实体对约束方法，并将其与变分自编码算法相结合，实验表明这种新方法可以大幅提高现有的关系发现性能。

    Apr, 2019