基于动态异质知识图表示的个性化实体消解
计算与语言
2021-04-15 v2
摘要
虚拟助手的日益普及给实体消解(将文本中的提及链接到知识库中其指代实体的任务)带来了新的挑战。具体而言,在购物领域,客户倾向于使用隐式话语(例如“有机牛奶”)而非显式名称,导致大量候选产品。同时,对于同一查询,不同客户可能期望不同结果。例如,对于“将牛奶加入我的购物车”,某客户可能指某一有机产品,而另一些客户可能想重新订购他们常购的产品。为解决这些问题,我们提出了一个利用个性化特征提高产品排序准确性的新框架。我们首先从客户购买历史和产品知识图构建跨源异质知识图,以联合学习客户与产品的嵌入表示。之后,我们将产品、客户和历史表示整合进一个神经重排序模型,以预测特定客户最有可能购买哪个候选。实验表明,与最先进的(state-of-the-art)产品搜索模型相比,我们的模型将排名第一候选的准确率大幅提高了 24.6%。
引用
@article{arxiv.2104.02667,
title = {Personalized Entity Resolution with Dynamic Heterogeneous Knowledge Graph Representations},
author = {Ying Lin and Han Wang and Jiangning Chen and Tong Wang and Yue Liu and Heng Ji and Yang Liu and Premkumar Natarajan},
journal= {arXiv preprint arXiv:2104.02667},
year = {2021}
}