通过属性识别实体类型
本文提出一种新的层次实体分类方法,该方法在训练和预测期间均考虑本体结构,其中我们的新颖多级学习排名损失根据类型树将正类型与负同级进行比较;在预测期间,我们定义一个由粗到细的译码器,基于已预测的父类型限制每个本体级别上的可行候选项。我们在多个数据集上实现了最先进的性能,尤其是在严格准确性方面。
Apr, 2020
本研究提出了一种基于 Transformer 的实体类型推断方法 (TET),通过对实体邻居内容的有效编码,利用三种不同机制 (本地 Transformer、全局 Transformer 和上下文 Transformer) 来推断实体的缺失类型,并使用类型的类成员身份信息来语义强化实体的表示。实验表明,相对于现有技术,TET 的性能更卓越。
Oct, 2022
我们研究了使用分离的概念和属性编码器来细调语言模型,以显式地模拟概念及其属性,以此来预测常识属性的可行性,结果显示与直接细调语言模型相比,使用所提出的编码器能够更高准确率地预测常识属性。
Oct, 2022
本文提出了使用双线性映射方法集成层次信息的新方法,相比于平面预测在实体链接和细粒度实体类型分类方面有显著的改进,并在基准 FIGER 数据集上实现了最新的最佳结果。
Jul, 2018
本研究提出了一种利用细粒度实体类型推断模型生成具备人类可读性,且能够直接用于实体相关任务的实体表示向量的方法,并针对特定领域实体优化表征,通过少量规则增加领域知识以提高性能。
Apr, 2020
该论文介绍了一种可以构建鲁棒实体链接模型的方法,该方法将注意力放在建立细粒度实体属性的模型上,具有更好的泛化性能,使用维基百科类别的大型库存来远程标记数据并训练实体类型模型,使用软类型预测将提及链接到最相似的候选实体上。
Sep, 2019
本文提出了一种新的标签关系归纳偏好,利用图传播层有效编码全局标签共现统计和单词级别相似性,结合基于注意力的匹配模块,可以在包括超过 10,000 种自由形式类型的大型数据集上实现更高的召回分数,并且在输出的稳定性方面也更少不一致性。
Mar, 2019
我们开发了新型的 KGE 框架,使用智能化实体类型嵌入自动化技术,可以更好地表示实体的信息并可同时推断出对称性、倒置性、组合关系以及 1-N、N-1 和 N-N 等复杂关系,相较于现有的先进基础线性任务,实验表明我们提出的模型对于关系预测具有明显的优势。
Sep, 2020
本文提出了一种新颖的神经结构来解决实体识别的问题,通过分离边界检测和类型预测、并联合优化来代替传统的标签 Hard-code 方法。这种架构可以在处理各种类型数据的同时保持高效率和简单性,并能帮助解决实体分类的问题。
Dec, 2016
该研究针对实体类型推断中的假关联问题,通过定义模型偏差种类并提出反事实数据增强方法,改善模型泛化能力。实验结果表明,该方法在提高模型性能方面具有一致的效果。
May, 2022