Sep, 2023

基于文本的维基百科文章链接预测方法

PDF
TL;DR本文介绍了我们在 DSAA 2023 挑战中针对维基百科文章的链接预测进行的工作。我们使用从文本中提取的词性标注特征，利用传统的机器学习模型训练分类模型，以预测两个节点之间是否存在链接。然后，我们使用这些标注进行了各种机器学习模型的测试。我们获得了 0.99999 的 F1 分数，并在竞赛中获得第 7 名。我们的源代码可以公开访问该链接。
发现论文，激发创造
  • 维基百科文章的链接预测作为自然语言推理任务

    本文介绍了一种以自然语言推理为基础的链接预测方法，将链接预测任务应用于维基百科文章，并在 Data Science and Advanced Analytics 2023 竞赛中取得了优异成绩。

    Aug, 2023

  • 利用锚文本信息预测维基百科链接

    本文针对维基百科上的网页结构，研究了基于锚文本信息的链接预测的困难性和算法，提出了合适的评估抽样方法及基准模型.

    May, 2021

  • 预测人工智能论文中的语义关系的方法

    本文提出了一种基于 Graph Neural Networks 的新型深度学习方法，以解决如何预测大型演化网络中链接出现的问题，特别地，预测与 AI 相关的主题之间的链接。实验结果表明，使用此方法能够有效地识别出节点的吸收和密集子图的合并两种模式，且模型具有较高的预测准确性。

    Jan, 2022

  • 通过搜索维基百科句子进行查询的实体链接

    本研究提供了一种简单而有效的方法，利用维基百科文章中与查询类似的句子，并直接使用其中人工注释的实体作为查询的候选实体，然后使用一系列特征来排名，包括概率、上下文匹配、词嵌入以及候选实体及其相关实体之间的相关性。通过该方法我们可以在实体链接基准测试中取得更好的结果。

    Apr, 2017

  • 面向实体链接的概率超链接包模型

    本文提出了一种基于概率图模型的联合实体消岐方法，充分利用了文档级别实体共现和上下文信息，避免昂贵的训练过程和专业特征工程，通过节点置信传递来做近似推断，能够在实时场景中快速高效地工作，对多种基准数据集进行了准确性测试，表现与现有先进方法相当甚至更好。

    Sep, 2015

  • 联合词性标注和基于图结构的依存句法分析的新型神经网络模型

    本研究提出了一种新型的神经网络模型，该模型可以同时学习 POS 标记和基于图的依赖解析。该模型使用双向 LSTM 来学习两个任务共享的特征表示，从而解决了特征工程问题。该模型在 19 种语言的通用依赖关系项目上进行了广泛的实验，结果表明我们的模型优于基于神经网络的最新关于 POS 标记和基于转移的依赖解析的程序，从而取得了新的最优性能。

    May, 2017

  • 通过链接预测的定向标准引用推荐与排名

    我们探讨了链接预测作为自动获取与新文档的主题或背景相关的现有文献的代理方法。我们的模型使用基于变压器的图嵌入来编码每个文档的含义，这些文档作为引文网络中的节点呈现。我们展示了我们的模型生成的语义表示在推荐和排名任务中可以胜过其他基于内容的方法。这为在那些需要这些文档正确互相引用以最小化可能出现的不一致性的领域中探索引文图提供了一种整体的方法。

    Mar, 2024

  • 联合词性标注和依存关系分析的改进神经网络模型

    本文提出了一种新的神经网络模型，用于联合部分词性标注和依赖解析，将 BiLSTM 标记组件结合到 BIST 依赖解析器中，可对英语 Penn 语料库进行联合学习，模型在 LUS 和 UAS 评分上分别达到 94.51% 和 92.87%，并在多个评测数据集上都取得了最佳表现。

    Jul, 2018

  • 实体对齐或链接预测方法排名评价的歧义性

    研究了两类从知识图谱中丰富信息的方法：链接预测和实体对齐的评估，分析了现有评估措施的信息量，提出了评估的调整建议，并证明这有助于公平、可比和可解释的模型性能评估。

    Feb, 2020

  • 利用本地和全局特征提升社交网络的链接预测：一种基于聚类的方法

    提出一种结合第一和第二组方法的两阶段方法，其中第一阶段确定与节点位置和动态行为相关的新特征，第二阶段应用子空间聚类算法对社会对象进行分组，以区分集群的强度，在 Facebook、Brightkite 和 HepTh 等真实数据集上进行了广泛的实验，并与该领域的一些先前技术进行了实验验证，证明了该方法的优越性。

    May, 2023