利用深度神经网络与知识图谱进行实体消歧
计算与语言
2015-04-30 v1
摘要
实体消歧旨在将歧义实体的提及链接到知识库（如Wikipedia）。基于来自同一语义上下文的信息往往属于同一主题的假设，对主题连贯性建模对该任务至关重要。本文提出一种基于深度神经网络（DNN）与语义知识图谱（KGs）的新型深度语义关联模型（DSRM），用于度量实体语义关联以进行主题连贯性建模。DSRM直接在大规模KGs上训练，并将实体来自KGs的异构类型知识映射到潜空间中的数值特征向量，使得两个语义相关实体间的距离最小化。与(Milne and Witten, 2008a)提出的最先进关联方法相比，DSRM在两个公开数据集上分别获得了实体消歧错误率19.4%和24.5%的降低。
引用
@article{arxiv.1504.07678,
title = {Leveraging Deep Neural Networks and Knowledge Graphs for Entity Disambiguation},
author = {Hongzhao Huang and Larry Heck and Heng Ji},
journal= {arXiv preprint arXiv:1504.07678},
year = {2015}
}