基于多任务学习的开放知识库规范化
人工智能
2024-03-25 v1 计算与语言
机器学习
摘要
大型开放知识库（OKB）的构建对于万维网上的许多知识驱动应用（如网络搜索）至关重要。然而，OKB 中的名词短语和关系短语常常存在冗余和歧义，这促使了对 OKB 规范化的研究。当前的解决方案通过设计先进的聚类算法并使用知识图谱嵌入（KGE）来进一步促进规范化过程以解决 OKB 规范化问题。尽管如此，这些工作未能充分利用聚类与 KGE 学习之间的协同作用，且为这些子任务设计的方法是次优的。为此，我们提出了一个多任务学习框架，即 MulCanon，以解决 OKB 规范化问题。此外，在软聚类过程中使用了扩散模型，通过邻域信息改进名词短语的表示，从而获得更准确的表示。MulCanon 统一了这些子任务的学习目标，并采用两阶段多任务学习范式进行训练。在流行的 OKB 规范化基准上的全面实验研究验证了 MulCanon 能够取得具有竞争力的规范化结果。
引用
@article{arxiv.2403.14733,
title = {Open Knowledge Base Canonicalization with Multi-task Learning},
author = {Bingchen Liu and Huang Peng and Weixin Zeng and Xiang Zhao and Shijun Liu and Li Pan},
journal= {arXiv preprint arXiv:2403.14733},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2310.16419