面向全局实体链接的动态上下文增强学习
计算与语言
2019-09-06 v1 机器学习
摘要
尽管集体实体链接（EL）方法近期取得成功，但当“所有提及一致性”假设不成立时，这些“全局”推断方法可能产生次优结果，并且由于在推断阶段复杂的搜索空间而常面临高计算成本。本文提出一种简单而有效的解决方案，称为动态上下文增强（DCA），用于集体 EL，它仅需对文档中的提及进行一次遍历。DCA 顺序累积上下文信息以进行高效的集体推断，并可作为即插即增强模块适配不同的局部 EL 模型。我们探索了有监督与强化学习两种策略来学习 DCA 模型。大量实验展示了我们的模型在不同学习设置、基模型、决策顺序和注意力机制下的有效性。
引用
@article{arxiv.1909.02117,
title = {Learning Dynamic Context Augmentation for Global Entity Linking},
author = {Xiyuan Yang and Xiaotao Gu and Sheng Lin and Siliang Tang and Yueting Zhuang and Fei Wu and Zhigang Chen and Guoping Hu and Xiang Ren},
journal= {arXiv preprint arXiv:1909.02117},
year = {2019}
}