KGSynNet：一种基于知识图谱的实体同义发现新框架
人工智能
2021-04-02 v2 计算与语言
摘要
实体同义发现对基于实体的应用至关重要。然而，现有研究存在若干关键问题：（1）输入提及可能为集外词（OOV）且可能来自与实体不同的语义空间；（2）提及与实体间的联系可能为隐式的，无法通过表层匹配建立；（3）由于长尾效应，部分实体极少出现。为应对这些挑战，我们利用知识图谱并提出一种名为 \emph{KGSynNet} 的新型实体同义发现框架。具体而言，我们使用大规模领域语料对提及和实体预训练子词嵌入，同时通过联合 TransC-TransE 模型学习实体的知识嵌入。更重要的是，为获得实体的全面表示，我们采用专门设计的 \emph{融合门} 将实体的知识信息自适应地吸收进其语义特征中。我们进行了大量实验以证明 \emph{KGSynNet} 在利用知识图谱方面的有效性。实验结果表明，在离线评估中 \emph{KGSynNet} 在 hits@3 上比最先进方法提升 14.7%，并在某问答系统实体链接模块的在线 A/B 测试正反馈率上超越 BERT 模型 8.3%。
引用
@article{arxiv.2103.08893,
title = {KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph},
author = {Yiying Yang and Xi Yin and Haiqin Yang and Xingjian Fei and Hao Peng and Kaijie Zhou and Kunfeng Lai and Jianping Shen},
journal= {arXiv preprint arXiv:2103.08893},
year = {2021}
}
备注
16 pages, 3 figures, 5 tables, in DASFAA'21