Nov, 2023

低资源实体匹配问题中的战舰策略

PDF
TL;DR通过使用先前训练的语言模型的深度学习方法，本研究提出了一种解决实体匹配问题的新的主动学习方法，该方法利用实体匹配的独特属性进行选择机制，将低资源实体匹配问题视为一种战舰游戏，通过感知潜在空间，并仔细规划下一个采样迭代来捕捉指示性样本。经过广泛的实验分析，该算法优于最先进的主动学习解决方案，并且尽管使用更少的样本，可以与最先进的完全训练已知算法一样成功。
发现论文，激发创造
  • 低资源的实体对齐问题：迁移和主动学习方法

    本文提出了一种针对数据集资源匮乏的实体消歧问题的深度学习方法，通过转移学习和主动学习的结合，构建了一个可迁移的模型用于适应缺乏标记数据的场景，并通过有针对性地选择信息样本进行微调，验证表明该方法在实际应用中比当今学习方法使用的少数标记数据量的性能要好得多。

    Jun, 2019

  • 实体匹配的神经网络：一项综述

    本综述论文对深度学习技术在实体配对中的应用进行了系统性的总结和分类，讨论了现有技术在实体配对所需的各个步骤上的不同应用和相应的贡献，提出了深度神经网络在实体配对中相对于传统方法的优越性。

    Oct, 2020

  • 利用大型语言模型进行关系发现来消除实体匹配的歧义

    通过预定义一组与任务相关的关系，我们的方法将重点从纯粹识别语义相似性转移到理解并定义实体之间的 “关系”，以解决匹配中的模糊性，从而使分析员能够更有效地浏览从完全匹配到概念相关实体的相似性范围。

    Mar, 2024

  • 基于（深度）学习匹配算法的基准数据集的重要再评估

    本研究提出了四种评估 13 个常用数据集难易度和适用性的方法，并发现大多数数据集对于评估基于机器学习的匹配算法来说过于简单。因此，提出了一种新的方法来生成更具挑战性的基准数据集。

    Jul, 2023

  • 基于预训练语言模型的句子匹配主动学习

    本文提出了一种基于预训练语言模型的主动学习方法，应用于句子匹配，通过提供语言标准来测量实例并选择更有效的实例进行注释，实验证明该方法可以在更少的标记训练实例的情况下实现更高的准确性。

    Oct, 2020

  • 实体对齐的主动学习

    本文提出了一个新的实体对齐标注框架，其中包括选择信息化实例、评估不同的主动和被动学习策略等内容，并发现被动学习方法在效率和性能上与主动学习方法相当。

    Jan, 2020

  • 从自然语言解释中学习以实现通用的实体匹配

    将实体匹配重新定义为条件生成任务，借助自然语言解释将大型语言模型的推理方式 “精简” 到较小实体匹配模型中，从而达到强大的性能表现。

    Jun, 2024

  • ActiveEA: 神经实体对齐的主动学习

    本文提出了一种新的基于主动学习的神经实体对齐框架，通过结合结构感知不确定性抽样策略和单例识别器，以便更有效地建立 Seed Alignment，从而减少成本，并具有较好的泛化性。

    Oct, 2021

  • 利用大型语言模型进行实体匹配

    通过使用大型语言模型 (LLMs) 进行实体匹配，我们对可托管的 LLMs (如 GPT3.5 和 GPT4) 以及基于 Llama2 的开源 LLMs 进行了评估，在零 - shot 场景和有任务特定训练数据的场景中比较了不同的提示设计以及模型在零 - shot 场景中的提示敏感度。根据实验结果，我们发现 GPT4 在没有任务特定训练数据的情况下在三个基准数据集上优于精调的 PLMs (RoBERTa 和 Ditto)，达到约 90% 的 F1 分数，而在上下文学习和规则生成方面，除了 GPT4 之外，所有模型都从这些技术中受益（平均 F1 分数提高了 5.9% 和 2.2%），大多数情况下 GPT4 无需额外的指导。

    Oct, 2023

  • 实体对齐的深度强化学习

    本研究将实体对齐建模为顺序决策任务，并提出强化学习的实体对齐框架，可以灵活地适应大多数基于嵌入的实体对齐方法，实验结果表明其能够持续提高多个最先进方法的性能，其中 Hits@1 的最大提高率为 31.1%。

    Mar, 2022