IDEL：基于神经嵌入的库内实体链接
数据库
2018-03-14 v1 计算与语言
神经与进化计算
摘要
我们提出了一种新颖的架构——库内实体链接（IDEL），将分析优化的 RDBMS MonetDB 与神经文本挖掘能力相集成。我们的系统设计抽象了大多数神经实体链接系统针对 MonetDB 的核心任务。据我们所知，这是首个实际实现的将实体链接集成于数据库中的系统。我们利用 MonetDB 支持以 Python 实现用户定义函数（UDFs）进行库内分析的能力。这些函数调用诸如 TensorFlow 等用于神经文本挖掘的机器学习库。该系统通过利用 MonetDB 将 Python 进程嵌入数据库内核并以 NumPy 数组交换数据的能力，实现了数据传输与转换的零开销。IDEL 以神经嵌入将文本与关系数据表示于联合向量空间中，并可补偿由歧义实体表示引起的错误。为检测匹配实体，我们提出了一种基于联合神经嵌入的新颖相似度函数，其通过最小化成对对比排序损失学习得到。该函数利用高维索引结构实现匹配实体的快速检索。我们使用 WebNLG 语料的首次实现与实验展示了 IDEL 的有效性与潜力。
引用
@article{arxiv.1803.04884,
title = {IDEL: In-Database Entity Linking with Neural Embeddings},
author = {Torsten Kilias and Alexander Löser and Felix A. Gers and Richard Koopmanschap and Ying Zhang and Martin Kersten},
journal= {arXiv preprint arXiv:1803.04884},
year = {2018}
}
备注
This manuscript is a preprint for a paper submitted to VLDB2018