关键词named entity disambiguation
搜索结果 - 11
- 在生物医学实体链接中探索部分知识库推理
本研究探讨生物医学实体链接领域和命名实体识别和消歧方面的问题，分析了在局部知识库推理的情况下，EL 模型的性能下降严重，提出了两种简单而有效的方法来解决 NIL 问题。
- 基于深度循环网络的公司名称消歧
该研究提出了一种基于 Siamese LSTM 网络、有监督学习的方法来从相对较低的维度向量空间中提取公司名称字符串的嵌入，同时使用 Active Learning 来优化样本标注的过程，以获得更高的效率和更好的性能。研究显示在足够有标注数 - ProtagonistTagger -- 用于跨语言和领域的人名实体链接的工具
该研究介绍了一种能够在英语小说和波兰语互联网新闻中实现人物命名实体识别和消岐的工具 --ProtagonistTagger，其准确率和召回率在 78% 到 88% 之间波动。
- EMNLP生物医学文本命名实体消歧的跨领域数据集成
本研究提出了一种跨领域数据整合方法，将通用文本知识库中的结构知识转移至医学领域，以解决医学领域的命名实体消岐问题，预训练模型使得命名实体消岐的准确性提高了高达 57 个百分点，并在 MedMentions 和 BC5CDR 两个基准医学命名 - WSDM超越 NED：基于知识库的复杂问答快速高效搜索空间削减
CLOCQ 是一种基于 KB 感知信号的高效方法，通过 score-ordered KB 列表的前 k 个查询处理器，将语义匹配、与问题相关性、候选项间的协同性以及 KB 图的连接性信号相结合，剪枝掉搜索空间中的非相关部分，实验表明 CLO - ACL生物医学可解释实体表示
本文介绍一种利用医学本体论和 Wikipedia 词条链接构建的生物医学可解释实体表示（BIER），包含了能显著提高生物医学任务表现的细粒度实体类型，并提供了一种新颖技术，用于调试模型和实体类型。
- 自监督命名实体消歧追踪
利用类人推理模式为名词实体消歧引入了一种自监督的 NED 系统 Bootleg，并通过弱监督技术加强训练数据信号，模型成功将学习到的表征转移到其他需要基于实体知识的任务中。
- 评估知识图谱上下文对实体消歧模型的影响
本篇文章提出了一种基于知识图谱（如 Wikidata）的上下文推断方法，以提高预训练 transformer 模型在实体消歧（Named Entity Disambiguation）方面的性能，并通过实验证明该方法可以推广到维基百科，并显著 - ACL结构化梯度树提升算法用于集体实体消歧
本研究提出了一种基于渐进树提升（gradient tree boosting）的结构学习模型，用于在文档中共同消歧命名实体，并通过提出的双向束搜索算法 BiBSG 进行近似推断。在标准基准数据集上的实验表明，该模型显着提高了先前发表结果，特 - 嘈杂文本的命名实体消歧
本文主要介绍了一种基于神经模型和样本采集技术的 Named Entity Disambiguation 方法，使用 WikilinksNED 数据集进行训练与测试，并且在 embedding 初始化方面做了一些优化，取得显著的性能提升。
- 命名实体消岐中词和实体嵌入联合学习
本篇论文提出了一种新型的嵌入方法，用于解决命名实体消歧问题，该方法使用了基于知识库的图模型和锚点上下文模型来映射词和实体到同一连续向量空间，并结合标准 NED 特征，实现了 93.1％的 CoNLL 数据集和 85.2％的 TAC 2010