基于图深度学习的命名实体消歧
计算与语言
2020-10-16 v1
摘要
我们通过将短句实体与Wikidata图进行比较来解决命名实体消歧（NED）。通过深度学习从图中创建上下文向量是一个具有挑战性的问题，且从未应用于NED。我们的主要贡献是对近期神经技术进行实验研究，并讨论哪些图特征对消歧任务最为重要。此外，我们创建了一个新数据集（WikidataDisamb）以便利用Wikidata条目对NED进行干净且可扩展的评估，并作为未来研究的参考。最终我们的结果表明，对图三元组进行Bi-LSTM编码表现最佳，优于基线模型，并在WikidataDisamb测试集上取得了91.6%的F1值。
引用
@article{arxiv.1810.09164,
title = {Named Entity Disambiguation using Deep Learning on Graphs},
author = {Alberto Cetoli and Mohammad Akbari and Stefano Bragaglia and Andrew D. O'Harney and Marc Sloan},
journal= {arXiv preprint arXiv:1810.09164},
year = {2020}
}