面向细粒度实体分类的类型增强层次对比策略
计算与语言
2022-08-23 v1
摘要
细粒度实体分类（FET）旨在推断文本中实体指称的具体语义类型。现有的 FET 方法主要关注学习某一类型的外观特征，很少有工作直接对类型差异进行建模，即让模型知道一种类型与其他类型的差异程度。为缓解该问题，我们提出了一种面向 FET 的类型增强层次对比策略。我们的方法能够直接对层次类型之间的差异进行建模，并提升区分多粒度相似类型的能力。一方面，我们将类型嵌入到实体上下文中，使类型信息可直接被感知。另一方面，我们在层次结构上设计了一种受限对比策略，以直接对类型差异建模，该策略能够同时感知不同粒度类型间的可区分性。在 BBN、OntoNotes 和 FIGER 三个基准上的实验结果表明，我们的方法通过有效建模类型差异，在 FET 上取得了显著的性能。
引用
@article{arxiv.2208.10081,
title = {Type-enriched Hierarchical Contrastive Strategy for Fine-Grained Entity Typing},
author = {Xinyu Zuo and Haijin Liang and Ning Jing and Shuang Zeng and Zhou Fang and Yu Luo},
journal= {arXiv preprint arXiv:2208.10081},
year = {2022}
}
备注
Accepted by COLING2022, Long paper, 13 pages, 6 figures