协同增效——结合现成实体链接系统结果的集成学习器
计算与语言
2021-01-15 v1 机器学习
摘要
实体链接（EL）是自动识别文本中实体提及并将其消歧至参考知识库（如维基百科）中对应实体的任务。在过去十年中，大量EL系统及流水线相继出现，但单个系统的性能在不同语料、语言或领域间差异显著。即便在同一文本语料中，不同提及间的链接性能亦有差异：例如，某些EL方法更擅长处理短表层形式，而其他方法在上下文信息更丰富时表现更佳。为此，我们认为可通过利用同一语料上不同EL系统的结果，在逐提及基础上发挥其各自优势，从而优化性能。本文提出一种有监督方法，通过逐提及预测正确链接来利用多个现成EL系统的输出。在现有真值数据集上利用三个最先进EL系统的实验结果表明了本方法的有效性，及其显著优于单个EL系统与一组基线方法的能力。
引用
@article{arxiv.2101.05634,
title = {Better Together -- An Ensemble Learner for Combining the Results of Ready-made Entity Linking Systems},
author = {Renato Stoffalette João and Pavlos Fafalios and Stefan Dietze},
journal= {arXiv preprint arXiv:2101.05634},
year = {2021}
}
备注
SAC '20: Proceedings of the 35th Annual ACM Symposium on Applied Computing