Aug, 2023

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

PDF
TL;DR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。
few-shotzero-shotentity linkinglexicon-based retrievernlpcc 2023 shared task 6
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

  • 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

  • 基于代理的零样本实体链接与有效候选项检索

    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。

    Jan, 2023

  • 借助粗粒度数据提升低资源细粒度命名实体识别

    利用现有粗粒度数据集进行预精调，通过细粒度实体类型与粗粒度实体类型之间的映射矩阵以及不一致过滤方法，解决细粒度命名实体识别缺少标注数据的问题，并在实验中证明在处理少量细粒度标注时，该方法优于 $K$-shot 学习和有监督学习方法。

    Oct, 2023

  • RE-Matching：针对零样本关系提取的细粒度语义匹配方法

    该研究主要针对零样本关系提取中的语义匹配问题，通过设计一种细粒度语义匹配方法，将句子级相似度分成实体和语境匹配分数，并通过特征蒸馏模块自适应识别与关系无关的特征，从而提高匹配率和推理速度。

    Jun, 2023

  • 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

  • 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

  • 实体链接技术优化细粒度实体类型划分

    通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

    Sep, 2019

  • ReFinED: 高效的零射击能力端到端实体链接方法

    本研究介绍了 ReFinED：一个高效的实体链接模型，使用细粒度实体类型和实体描述执行链接。该模型执行单向传递，可在文档中对所有提及进行提及检测、细粒度实体类型划分和实体消歧，使其比竞争性现有方法快 60 倍以上。ReFinED 在标准实体链接数据集上的性能优于最先进性能平均提高了 3.7 个 F1，具有良好的泛化能力和零 - shot 实体链接。该研究的组合可获得速度，精确性和规模，因此是从网络规模数据集中提取实体的一种有效和成本效益的系统。

    Jul, 2022

  • 基于知识感知的分层图模型进行细粒度信息建模，用于零样本实体检索

    提出了 GER：一个图增强型架构以获取零样本实体检索任务中更加精细的信息，并使用分层图注意力网络避免中心实体节点的图信息瓶颈，实验证明 GER 模型在常见基准测试中优于现有最先进模型。

    Nov, 2022