CYCLE：用于实体链接的跨年对比学习
机器学习
2024-10-15 v1 人工智能
摘要
知识图谱不断演化，包括新实体的出现、现有定义的修订以及实体关系的变化。这些变化导致实体链接模型出现时间退化，表现为模型性能随时间的下降。为解决此问题，我们提出利用图关系在不同时间段之间聚合来自相邻实体的信息。该方法增强了在时间内区分相似实体的能力，从而最小化时间退化的影响。我们引入了\textbf{CYCLE}：\textbf{C}ross-\textbf{Y}ear \textbf{C}ontrastive \textbf{L}earning for \textbf{E}ntity-Linking。该模型采用新颖的图对比学习方法来处理实体链接任务中的时间性能退化。我们的对比学习方法将新添加的图关系视为“正”样本，将新删除的关系视为“负”样本。这一方法帮助我们的模型有效防止时间退化，在时间间隔为一年时相对于2023年的最新方法实现了13.90%的性能提升，时间间隔扩大到三年时提升达17.79%。进一步分析表明，CYCLE特别适用于低度实体，这些实体由于稀疏的连接性较难抵抗时间退化，使其特别适合本方法。代码和数据已在\url{https://github.com/pengyu-zhang/CYCLE-Cross-Year-Contrastive-Learning-in-Entity-Linking}上提供。
引用
@article{arxiv.2410.09127,
title = {CYCLE: Cross-Year Contrastive Learning in Entity-Linking},
author = {Pengyu Zhang and Congfeng Cao and Klim Zaporojets and Paul Groth},
journal= {arXiv preprint arXiv:2410.09127},
year = {2024}
}