将知识库信息注入端到端联合实体与关系抽取及共指消解
计算与语言
2021-07-07 v1
摘要
我们考虑一种联合信息抽取（IE）模型，在整个文档上联合解决命名实体识别、共指消解和关系抽取。特别地，我们研究如何基于无监督实体链接在此类 IE 模型中注入来自知识库（KB）的信息。所使用的 KB 实体表示是从（i）超链接文本文档（Wikipedia）或（ii）知识图谱（Wikidata）中学习的，并且在提升 IE 性能方面表现出互补性。相应实体链接（EL）候选的表示被添加到输入文档的文本跨度表示中，并且我们尝试了（i）基于其在 Wikipedia 中的先验对 EL 候选表示取加权平均，以及（ii）在 EL 候选列表上使用注意力机制。结果表明，在两个数据集上所评估的 IE 任务的 F1 分数提升了高达 5%。尽管基于先验的模型性能强劲，我们的定量与定性分析揭示了使用基于注意力方法的优势。
引用
@article{arxiv.2107.02286,
title = {Injecting Knowledge Base Information into End-to-End Joint Entity and Relation Extraction and Coreference Resolution},
author = {Severine Verlinden and Klim Zaporojets and Johannes Deleu and Thomas Demeester and Chris Develder},
journal= {arXiv preprint arXiv:2107.02286},
year = {2021}
}