WWWApr, 2024

BOND: 从头开始的名称消歧与多任务推广

PDF
TL;DR借助本地和全局信息交换推动全球聚类，将具有相同姓名的作者独立为不同的真实专家群体，提出了一种名为 BOND 的从零开始姓名消歧方法，通过驱动全局聚类来生成伪聚类标签，并进一步细化本地成对特征，实验证明 BOND 优于其他相对先进的基线算法，而增强版 BOND + 在 WhoIsWho 竞赛中表现不逊于其他顶级方法。
from-scratch name disambiguationacademic platformsdocument partitioningbondglobal clustering
发现论文，激发创造
  • BOND: BERT 辅助远程监督下的开放域命名实体识别

    本文提出了一种基于预训练语言模型的计算框架 BOND，其对开放域命名实体识别（NER）问题进行了研究，通过远程监督解决了高噪声和不完整标签的问题，并使用两阶段训练算法和自训练方法进一步提高了模型性能，该方法在五个基准数据集上优于现有的远程监督 NER 方法。

    Jun, 2020

  • 对比自举用于标签细化

    本文基于对粗粒度分类注释的 fine-grained 分类与粗细映射的方法，提出了一种基于轻量级对比聚类的自举方法，用于迭代地精炼 passage 标签，并在 NYT 和 20News 数据集上得到了较大幅度的性能提升。

    Jun, 2023

  • 使用网络嵌入进行匿名图中的名称消歧

    提出一种新的姓名消歧方法，使用基于图嵌入的低维向量将文档聚类，避免了隐私侵犯和昂贵的生物特征提取。通过实验表明，该方法在相似情境下比现有的姓名消歧方法显著更好。

    Feb, 2017

  • 作者之团：从社交网络上下文中消除姓名歧义

    研究使用关联网络和 BERT 来进行实体链接和共指消解，发现在领域内语言建模预训练和出版物信息可以显著提高任务性能，提出一种新的监督聚类推断模型并在两个数据集上进行了实验证 显示其具有竞争性能。

    Aug, 2022

  • 深度增强学习：一种全新的图像文本匹配协作方法

    图像 - 文本匹配仍然是一项具有挑战性的任务，由于模态之间异构的语义多样性和三元组内不足的距离可分性。与之前的方法不同，我们旨在通过增强聚类方法中的知识转移来寻求更强大的匹配模型。具体地说，我们提出了一种全新的深度增强学习（DBL）算法，其中锚点分支首先被训练以提供对数据属性的洞察，而目标分支获取更先进的知识以开发出最佳特征和距离度量。通过实验证实，我们的 DBL 能够在图像 - 文本匹配领域的各种最新先进模型的基础上取得令人印象深刻且一致的改进，并且优于相关的普遍合作策略，例如常规蒸馏、互联学习和对应学习。此外，我们证实 DBL 可以无缝集成到它们的训练场景中，并在相同的计算成本下实现卓越性能，从而展示了我们提出的方法的灵活性和广泛适用性。我们的代码可以在此 https URL 上公开获取。

    Apr, 2024

  • DualBind: 蛋白质 - 配体结合亲和力预测的双损失框架

    提出了一种新的框架 DualBind，它整合了有监督均方误差和无监督去噪分数匹配，以准确学习结合能函数，并在预测结合亲和力方面表现出色，同时提高了模型的泛化能力并减少对标记数据的依赖。

    Jun, 2024

  • 高可信关系抽取的联合引导机

    BREX 是一种新的半监督自动关系抽取方法，通过高效的置信度评估使用实体和模板种子来防止污染问题。实验结果表明，BREX 的 F1 得分比现有技术高 0.13。

    May, 2018

  • 基于引导法的异构图神经网络交叉视角自监督学习

    本文介绍了一种使用 BYOL 自我监督学习方法的异质图神经网络模型，通过对网络模型和元路径视角进行高层表达来解决异质图生成高质量对的困难问题，并在实际数据集上展示了良好的性能。

    Jan, 2022

  • 面向不确定性的引导式学习，用于远程监督数据上的联合抽取

    提出使用不确定性感知引导的自我集成方法，令模型在远程监督数据中更准确地提取有歧义或嘈杂标签的实体对及其关系，实验证明其有效性和优于现有基线的性能。

    May, 2023

  • 单正多标签识别语义对比自举

    本研究提出了一种基于语义对比引导的递归语义掩蔽转换器和引导框架，用于解决多标签图像识别中单一正标签的困难问题，通过迭代优化网络参数和细化语义指导，显著提高了多标签图像识别的性能。

    Jul, 2023