在注意力神经网络中编码知识图谱实体别名以用于 Wikidata 实体链接
计算与语言
2020-09-29 v3
摘要
诸如 Wikidata 这样的协作知识图谱过度依赖众包来编写信息。由于众包在分配实体标题时不受标准协议约束，知识图谱中充斥着非标准、含噪声、冗长甚至有时不当的标题。冗长、隐晦且非标准的实体表示是实体链接（EL）方法在获得高精度与高召回率方面面临的挑战。底层知识图谱通常是 EL 方法的目标实体来源，但其往往包含其他相关信息，例如实体别名（如 Obama 和 Barack Hussein Obama 是实体 Barack Obama 的别名）。EL 模型通常忽略这些现成的实体属性。在本文中，我们考察了知识图谱上下文对 Wikidata 上用于实体链接的注意力神经网络方法的作用。我们的方法通过利用知识图谱中充足的上下文作为背景知识来源并输入神经网络而做出贡献。该方法显示出解决与实体标题相关挑战（多词、冗长、隐晦、大小写敏感）的价值。我们的实验研究表明，相较基线方法约有 8% 的提升，并显著优于端到端的 Wikidata 实体链接方法。
引用
@article{arxiv.1912.06214,
title = {Encoding Knowledge Graph Entity Aliases in Attentive Neural Network for Wikidata Entity Linking},
author = {Isaiah Onando Mulang and Kuldeep Singh and Akhilesh Vyas and Saeedeh Shekarpour and Maria Esther Vidal and Jens Lehmann and Soren Auer},
journal= {arXiv preprint arXiv:1912.06214},
year = {2020}
}
备注
15 pages