面向高效细粒度实体分类的本体增强
计算与语言
2023-10-13 v1
摘要
细粒度实体分类（FET）是基于实体提及的上下文信息在细粒度层面上识别特定实体类型的任务。传统的FET方法需要大量人工标注，耗时且昂贵。近期研究致力于开发弱监督或零样本方法。我们研究仅提供本体的零样本FET设定。然而，大多数现有本体结构缺乏丰富的支撑信息，甚至包含歧义关系，使其在指导FET时效率低下。近期发展的语言模型虽然在各类少样本和零样本NLP任务中前景广阔，但由于缺乏与任务特定本体的交互，在零样本FET中可能面临挑战。在本研究中，我们提出OnEFET，其中我们（1）用两类额外信息增强本体结构中的每个节点：用于训练样本增强的实例信息，以及将类型与上下文关联的主题信息；（2）开发一种由粗到细的分类算法，通过训练一个蕴含模型并利用对比主题和基于实例的增强训练样本来利用增强信息。我们的实验表明，OnEFET无需人工标注即可实现高质量细粒度实体分类，大幅优于现有零样本方法，并与监督方法相媲美。
引用
@article{arxiv.2310.07795,
title = {Ontology Enrichment for Effective Fine-grained Entity Typing},
author = {Siru Ouyang and Jiaxin Huang and Pranav Pillai and Yunyi Zhang and Yu Zhang and Jiawei Han},
journal= {arXiv preprint arXiv:2310.07795},
year = {2023}
}