基于精炼表示的远程监督数据上的细粒度命名实体类型分类
计算与语言
2020-04-08 v1
摘要
细粒度命名实体类型分类（FG-NET）是自然语言处理（NLP）中的关键组件。其旨在将实体指称分类到广泛的实体类型中。由于实体类型数量庞大，远程监督被用于为该任务收集训练数据，其不顾上下文地为实体指称打上噪声类型标签。为缓解噪声标签，现有的 FGNET 方法完全独立地分析各实体指称，并仅基于指称所在句子的特定上下文分配类型标签。这对于高度重叠且含噪的类型标签是不充分的，因为它阻碍了跨句子边界的信息传递。为此，我们提出了一种边加权注意力图卷积网络，在最终分类之前，通过关注语料库级别的上下文线索来精炼含噪的指称表示。实验评估表明，所提模型在宏 f1 和微 f1 上分别相对现有研究最高提升 10.2% 和 8.3%。
引用
@article{arxiv.2004.03554,
title = {Fine-Grained Named Entity Typing over Distantly Supervised Data Based on Refined Representations},
author = {Muhammad Asif Ali and Yifang Sun and Bing Li and Wei Wang},
journal= {arXiv preprint arXiv:2004.03554},
year = {2020}
}