基于循环随机游走网络学习的神经集体实体链接
计算与语言
2019-06-25 v1
摘要
得益于神经网络在学习语义表示方面的出色能力，现有的实体链接（EL）研究已借助神经网络来利用局部提及到实体的兼容性以及不同 EL 决策之间的全局相互依赖关系，以进行目标实体消歧。然而，大多数神经集体 EL 方法完全依赖神经网络来自动建模不同 EL 决策之间的语义依赖，缺乏外部知识的引导。本文提出一种带有循环随机游走层的新颖端到端神经网络用于集体 EL，其引入外部知识来建模不同 EL 决策之间的语义相互依赖。具体而言，我们首先基于局部上下文特征建立模型，然后堆叠随机游走层以将相关 EL 决策的证据强化为高概率决策，其中候选实体之间的语义相互依赖主要由外部知识库导出。最后，将保持集体 EL 决策一致性的语义正则化项纳入常规目标函数，从而可在集体 EL 决策中充分利用外部知识库。在多个数据集上的实验结果和深入分析表明，我们的模型取得了优于其他 SOTA 模型的性能。我们的代码和数据发布于 \url{https://github.com/DeepLearnXMU/RRWEL}。
引用
@article{arxiv.1906.09320,
title = {Neural Collective Entity Linking Based on Recurrent Random Walk Network Learning},
author = {Mengge Xue and Weiming Cai and Jinsong Su and Linfeng Song and Yubin Ge and Yubao Liu and Bin Wang},
journal= {arXiv preprint arXiv:1906.09320},
year = {2019}
}