混合上下文粒度以提升跨实体类别问答数据上的实体链接
计算与语言
2018-04-24 v1
摘要
每种知识库问答方法的第一阶段都是链接输入问题中的实体。我们研究了问答任务语境下的实体链接，提出了一种联合优化的神经架构，用于实体提及检测与实体消歧，该架构在不同粒度层级上对上下文进行建模。我们利用 Wikidata 知识库和已有的问答数据集构建了问答数据上实体链接的基准。我们的方法在该数据上超越了先前的最优系统，使最终得分平均提升 8%。我们进一步证明，我们的模型在不同实体类别上均表现出强劲性能。
引用
@article{arxiv.1804.08460,
title = {Mixing Context Granularities for Improved Entity Linking on Question Answering Data across Entity Categories},
author = {Daniil Sorokin and Iryna Gurevych},
journal= {arXiv preprint arXiv:1804.08460},
year = {2018}
}
备注
Accepted as *SEM 2018 Long Paper (co-located with NAACL 2018), 9 pages