LNN-EL：一种用于短文本实体链接的神经符号方法
计算与语言
2021-06-21 v1 人工智能
符号计算
摘要
实体链接（EL）是通过将文本中的提及链接到知识图谱中的实体来进行消歧的任务，对文本理解、问答或对话系统至关重要。由于上下文有限，短文本（例如单句或问题）上的实体链接带来了特殊挑战。先前的方法或使用启发式规则或使用黑盒神经方法，本文提出LNN-EL，一种结合基于一阶逻辑的可解释规则优势与神经学习性能的神经符号方法。尽管受限于使用规则，LNN-EL仍能与SOTA黑盒神经方法竞争，并具有可扩展性和可迁移性的额外优势。特别地，我们展示了可以轻松融合人类专家给出的现有规则模板、多种特征（先验、BERT编码、盒嵌入等）甚至先前EL方法得到的分数，从而改进这些方法。例如在LC-QuAD-1.0数据集上，我们展示了比先前SOTA高出4%以上的F1分数。最后，我们展示了使用逻辑所提供的归纳偏置带来的学习规则在跨数据集时无需微调即可良好迁移，同时保持高准确率。
引用
@article{arxiv.2106.09795,
title = {LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking},
author = {Hang Jiang and Sairam Gurajada and Qiuhao Lu and Sumit Neelam and Lucian Popa and Prithviraj Sen and Yunyao Li and Alexander Gray},
journal= {arXiv preprint arXiv:2106.09795},
year = {2021}
}
备注
Accepted to ACL 2021