CorDEL：一种用于实体链接的对比深度学习方法
数据库
2020-12-04 v3 机器学习
摘要
实体链接（EL）是数据清洗与集成中的一个关键问题。过去几十年中，EL 通常由基于规则的系统或带有手工设计特征的传统机器学习模型完成，二者都严重依赖人工输入。随着新数据的不断增长，基于深度学习（DL）的方法被提出以缓解传统模型在 EL 上的高昂成本。现有对 EL 的 DL 模型的探索严格遵循著名的双网络（twin-network）架构。然而，我们认为双网络架构对 EL 而言是次优的，导致了现有模型的固有缺陷。为解决这些缺陷，我们提出了一种新颖且通用的面向 EL 的对比 DL 框架。该框架能够捕获句法与语义匹配信号，并关注细微但关键的差异。基于该框架，我们开发了名为 CorDEL 的 EL 对比 DL 方法，包含三个强大变体。我们在公开基准数据集和真实世界数据集上进行了大量实验来评估 CorDEL。在公开基准数据集上，CorDEL 比先前最先进的模型高出 5.2%。此外，在真实世界数据集上，CorDEL 比当前最佳 DL 模型提升 2.4%，同时将训练参数数量减少 97.6%。
引用
@article{arxiv.2009.07203,
title = {CorDEL: A Contrastive Deep Learning Approach for Entity Linkage},
author = {Zhengyang Wang and Bunyamin Sisman and Hao Wei and Xin Luna Dong and Shuiwang Ji},
journal= {arXiv preprint arXiv:2009.07203},
year = {2020}
}
备注
Accepted by the 20th IEEE International Conference on Data Mining (ICDM 2020)