经济高效的变分主动实体解析
机器学习
2021-06-02 v3 数据库
摘要
准确识别同一真实世界实体的不同表示是数据清洗的重要组成部分，并且已提出许多方法来实现它。这一实体解析任务的挑战往往源于过程特定的任务相关性与用户依赖性，因而需要大量研究关注。采用深度学习技术有潜力减轻这些挑战。在本文中，我们着手设计一种基于深度自编码器所赋予的鲁棒性来降低人工参与成本的实体解析方法。具体而言，我们通过执行无监督表示学习来降低训练深度实体解析模型的成本。这揭示了所得模型的迁移性属性，可通过迁移学习进一步降低将该应用于新数据集的成本。最后，我们通过建立在深度自编码器所赋予属性之上的主动学习方法来降低标注训练数据的成本。实证评估证实了我们在实现成本降低目标的同时，达到了与最先进替代方法相当的效果。
引用
@article{arxiv.2011.10406,
title = {Cost-effective Variational Active Entity Resolution},
author = {Alex Bogatu and Norman W. Paton and Mark Douthwaite and Stuart Davie and Andre Freitas},
journal= {arXiv preprint arXiv:2011.10406},
year = {2021}
}