Mar, 2023

基于深度循环网络的公司名称消歧

HTML
PDF
TL;DR该研究提出了一种基于 Siamese LSTM 网络、有监督学习的方法来从相对较低的维度向量空间中提取公司名称字符串的嵌入，同时使用 Active Learning 来优化样本标注的过程，以获得更高的效率和更好的性能。研究显示在足够有标注数据的情况下，该模型表现优于基于标准字符串匹配算法的基准模型，同时使用 Active Learning 能够在有限的数据标记资源下达到相同的性能，从而将模型训练的成本降至最少。
发现论文，激发创造
  • 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

  • 利用卷积神经网络捕获实体链接的语义相似性

    使用卷积神经网络对实体链接中的上下文信息进行建模，以获取语义对应关系，结合稀疏线性模型，实现了多种实体链接数据集的最佳结果。

    Apr, 2016

  • 基于局部神经注意力的深度联合实体消岐

    本篇论文提出了一种新的深度学习模型，用于联合文档级别实体消歧，该模型以学习到的神经表示为基础。该方法通过实体嵌入，对本地上下文窗口进行神经注意机制，以及可微分的联合推理阶段进行消歧，将深度学习的优势与传统的图形模型和概率提及实体映射的方法相结合。广泛的实验表明，我们能够在中等计算成本下获得有竞争力或最先进的准确性。

    Apr, 2017

  • 命名实体识别的神经重排

    本文提出了一种神经再排序系统，用于命名实体识别，利用递归神经网络模型来学习涉及命名实体提及的句子级模式，使用LSTM和CNN结构来学习这些句子的深层表示以进行再排序。实验结果表明，我们的系统可以显著提高命名实体识别准确率，超过了两个不同的基线，并在标准基准测试中报告了最好的结果。

    Jul, 2017

  • 输出空间搜索的联合神经实体消歧

    本文介绍了一种使用Limited Discrepancy Search（LDS）同时结合了局部上下文信息和全局证据的实体消岐模型。在CoNLL 2003和TAC 2010基准测试中验证了该模型的有效性。

    Jun, 2018

  • 基于循环随机游走网络学习的神经集合实体链接

    本文提出了一种新颖的端到端神经网络模型用于实体链接，通过引入外部知识库模拟不同实体链接决策之间的语义关联，利用循环随机游走层加强相关实体链接决策的证据，最终在目标实体消歧上实现了比其他现有模型更优秀的性能。

    Jun, 2019

  • 使用预训练语言模型的深度实体匹配

    本研究提出了使用预训练的 Transformer-based 语言模型的新实体匹配系统Ditto。本文展示了应用BERT、DistilBERT和RoBERTa等语言模型应用在实体匹配问题中所带来的匹配质量的提升，作者还提出了三种优化技术：高亮、字符串摘要和数据增强来进一步提高匹配能力。该系统在一个包含 789k 和 412k 条记录的真实世界的大规模实体匹配任务中表现出了高效性，达到了96.5% 的 F1 分数。

    Apr, 2020

  • 利用主动学习和弱监督学习实现实体名称的结构化表示学习

    本文介绍了一种新的学习框架，该框架结合了主动学习和弱监督的方法，用于学习实体名称的隐式结构化表示，并展示此方法仅通过几个标记示例就能学习出高质量的模型。

    Oct, 2020

  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021

  • Company2Vec -- 基于公司网站的德国公司嵌入

    使用Company2Vec模型，通过对公司网站数据进行Word2Vec嵌入和降维分析，本研究论文提出了一种新的表示学习应用。Company2Vec能够维护语义语言结构，并在精细粒度的行业中创建高效的公司嵌入。这些语义嵌入可用于银行业的各种应用，包括语义业务分析和行业预测等。矢量化的嵌入结构还可通过余弦距离衡量公司之间的相似性，从而提供比标准行业标签（NACE）更细粒度的公司比较方法。此外，研究提供了基于公司嵌入的k-means聚类的替代行业分割方法，最后还提出了三种算法用于对等公司识别，包括以公司为中心、以行业为中心和以投资组合为中心。

    Jul, 2023