评估知识图谱上下文对实体消歧模型的影响
计算与语言
2020-09-01 v3 人工智能
摘要
预训练的 Transformer 模型已成为从文本中学习上下文信息以改进若干 NLP 任务性能的 state-of-the-art 方法。这些模型尽管强大，在特定的场景中仍需要专门知识。在本文中，我们主张从知识图谱（我们的案例中为 Wikidata）导出的上下文提供了足够信号来告知预训练 transformer 模型并改进其在 Wikidata KG 上命名实体消歧（NED）的性能。我们进一步假设我们提出的 KG 上下文可针对 Wikipedia 标准化，并评估了 KG 上下文对面向 Wikipedia 知识库的 state-of-the-art NED 模型的影响。我们的经验结果验证了所提出的 KG 上下文可泛化（针对 Wikipedia），且在 transformer 架构中提供 KG 上下文显著优于现有基线，包括原生 transformer 模型。
引用
@article{arxiv.2008.05190,
title = {Evaluating the Impact of Knowledge Graph Context on Entity Disambiguation Models},
author = {Isaiah Onando Mulang' and Kuldeep Singh and Chaitali Prabhu and Abhishek Nadgeri and Johannes Hoffart and Jens Lehmann},
journal= {arXiv preprint arXiv:2008.05190},
year = {2020}
}
备注
to appear in proceedings of CIKM 2020