基于强化学习的知识引导开放属性值抽取
计算与语言
2020-10-20 v1 信息检索
摘要
面向新兴实体的开放属性值抽取是一项重要但具挑战性的任务。大量先前工作将该问题表述为问答(question-answering, QA)任务。尽管来自网络语料的文章集合提供了关于新兴实体的更新信息,但检索到的文本可能含有噪声、不相关,从而导致不准确的答案。有效过滤噪声文章以及错误答案是提高抽取准确率的关键。知识图谱(KG)包含丰富、组织良好的实体信息,为解决该挑战提供了良好资源。本工作中,我们提出一种用于开放属性值抽取的知识引导强化学习(RL)框架。在KG中相关知识的指引下,我们训练了一个深度Q网络来顺序比较抽取的答案以提升抽取准确率。所提框架适用于不同的信息抽取系统。实验结果表明,我们的方法比基线高出16.5%至27.8%。
引用
@article{arxiv.2010.09189,
title = {Knowledge-guided Open Attribute Value Extraction with Reinforcement Learning},
author = {Ye Liu and Sheng Zhang and Rui Song and Suo Feng and Yanghua Xiao},
journal= {arXiv preprint arXiv:2010.09189},
year = {2020}
}
备注
EMNLP 2020