EmbNum：基于深度度量学习的数值语义标注
数据库
2018-08-17 v2 机器学习
机器学习
摘要
数值的语义标注是为未知数值属性分配语义标签的任务。语义标签可以是本体中的数值属性、知识库中的实例，或由领域专家手动标注的数据。在本文中，我们将语义标注视为一种检索设定：未知属性的标签由标注数据中相关性最强属性的标签所赋予。最大的挑战之一是，未知属性很少与标注数据中的相似属性具有相同的取值集合。为克服该问题，需考虑取值分布的统计解释。然而，现有研究假设了特定的分布形式。在事先无数据知识的开放数据场景下，这种做法尤其不合适。为解决这些问题，我们提出一种神经数值嵌入模型（EmbNum），在无需对数据分布作先验假设的情况下，为数值属性学习有用的表示向量。随后，在这些表示向量上以欧氏距离度量属性间的“语义相似度”。我们在 City Data 和 Open Data 上的实证实验表明，在数值属性语义标注任务的有效性与效率方面，EmbNum 显著优于 SOTA 方法。
引用
@article{arxiv.1807.01367,
title = {EmbNum: Semantic labeling for numerical values with deep metric learning},
author = {Phuc Nguyen and Khai Nguyen and Ryutaro Ichise and Hideaki Takeda},
journal= {arXiv preprint arXiv:1807.01367},
year = {2018}
}
备注
16 pages