基于难负实体对比学习的实体集扩展方法
计算与语言
2022-04-26 v2 信息检索
摘要
实体集扩展（ESE）是一项有前景的任务，旨在以小规模种子实体集描述的目标语义类扩展实体。由于其发现知识的能力，各种 NLP 与 IR 应用将受益于 ESE。尽管以往的 ESE 方法已取得很大进展，其中大多数仍缺乏处理难负实体（即难以与目标实体区分的实体）的能力，因为依据我们所分析的不同粒度层级，两个实体可能属于或不属于同一语义类。为应对该挑战，我们设计了一种带对比学习的实体级掩码语言模型以精炼实体表示。此外，我们提出了 ProbExpan，一种利用上述语言模型所得实体表示进行实体扩展的新型概率化 ESE 框架。在三个数据集上的大量实验与详细分析表明，我们的方法优于以往最先进的方法。
引用
@article{arxiv.2204.07789,
title = {Contrastive Learning with Hard Negative Entities for Entity Set Expansion},
author = {Yinghui Li and Yangning Li and Yuxin He and Tianyu Yu and Ying Shen and Hai-Tao Zheng},
journal= {arXiv preprint arXiv:2204.07789},
year = {2022}
}
备注
Accepted by SIGIR 2022 (Full Paper)