学习不链接：探索实体链接中的 NIL 预测
计算与语言
2023-05-26 v1
摘要
实体链接模型通过利用预训练语言模型捕捉语义特征取得了显著成功。然而，旨在识别知识库中无对应实体的提及的 NIL 预测问题却未受到足够关注。我们将链接到 NIL 的提及分为缺失实体与非实体短语，并提出一个聚焦于 NIL 预测问题的实体链接数据集 NEL。NEL 以歧义实体为种子，在 Wikipedia 语料中收集相关提及上下文，并通过人工标注与实体掩码确保存在链接到 NIL 的提及。我们使用广泛使用的双编码器与交叉编码器实体链接模型进行了一系列实验，结果表明训练数据中两类 NIL 提及均对 NIL 预测的准确率有显著影响。我们的代码与数据集可在 https://github.com/solitaryzero/NIL_EL 获取。
引用
@article{arxiv.2305.15725,
title = {Learn to Not Link: Exploring NIL Prediction in Entity Linking},
author = {Fangwei Zhu and Jifan Yu and Hailong Jin and Juanzi Li and Lei Hou and Zhifang Sui},
journal= {arXiv preprint arXiv:2305.15725},
year = {2023}
}
备注
ACL Findings 2023