职场领域的实体链接
本研究旨在探究使用现代实体链接方法对博物馆收藏数据进行丰富的可能性,结果表明,正交纠正的实体链接模型在该领域的性能明显优于其他现有方法。
May, 2023
本文介绍了 LIEL,一种语言无关的实体链接系统,通过使用区分重排框架和许多不受领域和语言限制的特征函数,它可以在多种不同的语言中工作。在各种基准数据集上的实验表明,该系统在英语上表现出色,在训练过英语的情况下,也可以很好地工作在西班牙语上,这证明了该方法的可行性。
Dec, 2017
研究了 Tweet 领域中实体链接方法的挑战,提出了一种使用来自维基百科的长上下文表示的混合解决方案,经过实验评估和比较,取得了 0.93 的召回率。
Oct, 2022
本文提出了第一个神经网络端到端实体链接系统,通过学习文本中所有可能识别结果的上下文相似性得分,实现了提及检测和实体歧义消解的联合(Entity Linking)算法,方法不需要其他工程特定特征,且在足够的训练数据情况下优于市场已有系统,在测试数据集与训练集不同(如问询 / 推文和新闻文档)时,我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。
Aug, 2018
本文提出一种神经实体链接模型,通过多种角度训练查询和候选文档之间的细粒度相似性和不相似性,并结合卷积和张量网络,在多语言语境下实现跨语言实体链接,并证明该英文训练的系统可以通过使用多语言嵌入进行零 - shot 学习。该提议系统在英语以及跨语言测试中取得 state-of-the-art 的结果 (例如:西班牙语和汉语 TAC 的 2015 数据集)。
Dec, 2017
该研究提出了一种基于实体建模的候选实体检索范式,该范式首先将 Wikidata 实体及其文本字段索引到文本搜索引擎中,再使用序列到序列模型生成目标实体的摘要,从而查询已索引的搜索引擎以检索候选实体,最后结合交叉注意力重新排序器,实现了在三个基于 Wikidata 的数据集上的最先进效果和在 TACKBP-2010 上的强劲表现的高度有效的混合方法候选实体检索和实体链接框架。
Feb, 2022
综述了自 2015 年以来,神经实体链接 (EL) 系统的最新发展,目的是系统化神经实体链接系统的设计特征,并将其性能与常见基准测试中的经典方法进行比较。该文从候选生成、提及 - 上下文编码和实体排名等方面讨论了神经 EL 系统的通用架构,总结了每个方法的突出特点。
May, 2020
本文介绍了一种对话实体链接的工具,使用了不同于现有方法的技术来识别如人称实体和命名实体这种在对话中扮演重要角色的实体,并在实验中证明了其优于已有技术的性能。
Jun, 2022
本文提出了一种自学习方法 STAMO 来学习新兴实体的实体链接特征,通过多槽位优化以及消除标签错误等策略,成功地解决了由于新兴实体缺少特征而导致实体链接模型无法正确链接的问题,并在两个实体链接数据集上实验验证了其有效性。
Aug, 2022
本文提出了一种名为 LNN-EL 的神经符号方法,通过结合适用于一阶逻辑的可解释规则的优势和神经学习的性能,对短文本中的实体链接问题进行了处理。此方法不仅可以与基于规则的传统方法相媲美,而且还具有可扩展性和可转移性,并且可以跨数据集进行学习。
Jun, 2021