MZET：基于记忆增强的零样本细粒度命名实体类型标注
计算与语言
2020-11-04 v2
摘要
命名实体类型标注（NET）是一项将上下文中实体指称分配给定语义类型的分类任务。然而，随着实体类型规模和细粒度的增长，以往研究很少关注新出现的实体类型。本文中，我们提出MZET，一种新颖的记忆增强FNET（细粒度NET）模型，以零样本方式处理未见过类型。MZET融合字符级、词级和上下文级信息来学习实体指称表示。此外，MZET将语义含义和层次结构纳入实体类型表示。最后，通过建模实体指称与实体类型之间关系的记忆组件，MZET将知识从已见实体类型迁移到零样本类型。在三个公开数据集上的大量实验表明，MZET取得了优异性能，在Micro-F1和Macro-F1分数上以高达7%的提升超越了最先进的FNET神经网络模型。
引用
@article{arxiv.2004.01267,
title = {MZET: Memory Augmented Zero-Shot Fine-grained Named Entity Typing},
author = {Tao Zhang and Congying Xia and Chun-Ta Lu and Philip Yu},
journal= {arXiv preprint arXiv:2004.01267},
year = {2020}
}
备注
9 pages