PGMEL：基于策略梯度的多模态实体链接生成对抗网络
计算与语言
2025-10-06 v1
摘要
实体链接任务涉及将提及与知识图谱中各自实体关联，由于其众多潜在应用，已受到广泛关注。最近提出了 various 多模态实体链接 (MEL) 技术，旨在通过利用文本和视觉模态，学习全面嵌入表示。高质量负样本的选择在度量/表示学习中可能发挥关键作用。然而, 我们所知现有文献在 MEL 框架下尚未探索此可能性。为填补这一空白, 本文在生成对抗框架下解决多模态实体链接问题,其中生成器负责生成高质量负样本,判别器负责度量学习任务。由于生成器参与生成样本且为离散过程, 我们采用策略梯度技术进行优化, 提出一种用于多模态实体链接的策略梯度生成对抗网络 (PGMEL)。基于 Wiki-MEL、Richpedia-MEL 和 WikiDiverse 数据集的实验结果表明, PGMEL 通过选择具有挑战性的负样本学习到有意义的表示, 并优于现有 SOTA 方法。
引用
@article{arxiv.2510.02726,
title = {PGMEL: Policy Gradient-based Generative Adversarial Network for Multimodal Entity Linking},
author = {KM Pooja and Cheng Long and Aixin Sun},
journal= {arXiv preprint arXiv:2510.02726},
year = {2025}
}