通过联合学习表示与标签嵌入进行细粒度实体类型分类
计算与语言
2017-02-23 v1
摘要
细粒度实体类型分类（FETC）是将实体提及分类到一个广泛类型集合的任务。远程监督范式被广泛用于为此任务生成训练数据。然而，生成的训练数据为实体的每次提及分配相同的标签集，而不考虑其局部上下文。现有的 FETC 系统有两个主要缺点：假设训练数据无噪声以及使用手工制作的特征。我们的工作克服了这两个缺点。我们提出了一种神经网络模型，该模型联合学习实体提及及其上下文表示，以消除手工特征的使用。我们的模型将训练数据视为含噪声的，并使用铰链损失函数的非参数变体。实验表明，所提出的模型在两个公开可用的数据集（即 FIGER (GOLD) 和 BBN）上优于先前最先进的方法，在微观 F1 分数上平均相对提高了 2.69%。我们的模型在一个数据集上学到的知识可以迁移到其他数据集，同时使用相同的模型或其他 FETC 系统。这些知识迁移方法进一步提高了相应模型的性能。
引用
@article{arxiv.1702.06709,
title = {Fine-Grained Entity Type Classification by Jointly Learning Representations and Label Embeddings},
author = {Abhishek and Ashish Anand and Amit Awekar},
journal= {arXiv preprint arXiv:1702.06709},
year = {2017}
}
备注
11 pages, 5 figures, accepted at EACL 2017 conference