FGNET-RH：基于双曲空间精炼的细粒度命名实体类型分类
计算与语言
2022-06-22 v3
摘要
细粒度命名实体类型分类（FG-NET）旨在根据上下文将实体指称分类到广泛的实体类型（通常为数百种）中。尽管远程监督是获取有监督训练数据的最常见方式，但它不论指称上下文如何都为其分配类型标签，从而引入了标签噪声。在应对标签噪声的尝试中，FG-NET 的领先研究假设细粒度实体类型数据具有欧氏性质，这限制了现有模型对抗标签噪声的能力。鉴于细粒度类型层级呈现出层次化结构，双曲空间成为建模 FG-NET 数据的自然选择。在本研究中，我们提出 FGNET-RH，一种新颖的框架，它结合双曲几何与图结构以性能增强的方式执行实体类型分类。FGNET-RH 最初使用 LSTM 网络对指称及其上下文进行编码，随后在双曲空间中构建图以蒸馏/精炼指称编码。最后，精炼后的指称编码被用于实体类型分类。使用不同基准数据集的实验表明，FGNET-RH 在严格准确率方面将 FG-NET 的性能提升了至多 3.5%。
引用
@article{arxiv.2101.11212,
title = {FGNET-RH: Fine-Grained Named Entity Typing via Refinement in Hyperbolic Space},
author = {Muhammad Asif Ali and Yifang Sun and Bing Li and Wei Wang},
journal= {arXiv preprint arXiv:2101.11212},
year = {2022}
}
备注
Updated the Abstract and title to make it true representative of the paper