用于命名实体链接的强启发式方法
计算与语言
2022-07-07 v1 信息检索
机器学习
摘要
新闻中的命名实体链接（NEL）是一项具有挑战性的任务，因为未见过的和新兴的实体频繁出现，这需要使用无监督或零样本方法。然而，这类方法往往存在一些局限性，例如无法为新兴实体集成合适的知识库（如维基数据）、缺乏可扩展性以及可解释性差。在此，我们考虑在Quotebank（一个大规模的新闻中说话者归属引言语料库）中进行人物消歧，并研究直观、轻量级且可扩展的启发式方法在网页级语料库中进行命名实体链接的适用性。我们表现最佳的启发式方法在Quotebank和AIDA-CoNLL基准上分别消歧了94%和63%的提及。此外，所提出的启发式方法在性能上优于当前最先进的无监督方法Eigenthemes和零样本方法mGENRE，从而成为无监督和零样本实体链接的强大基线。
引用
@article{arxiv.2207.02824,
title = {Strong Heuristics for Named Entity Linking},
author = {Marko Čuljak and Andreas Spitz and Robert West and Akhil Arora},
journal= {arXiv preprint arXiv:2207.02824},
year = {2022}
}
备注
NAACL-SRW 2022