论文浅尝 | EARL: Joint Entity and Relation Linking for QA over KG

最新推荐文章于 2022-09-03 18:59:48 发布
最新推荐文章于 2022-09-03 18:59:48 发布
阅读量1.5k 收藏 1
点赞数
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TgqDT3gGaMdkHasLZv/article/details/83552178
版权
论文介绍了EARL框架，一种将实体链接和关系链接结合的方法，用于知识库问答。通过预处理和联合消歧步骤，解决自然语言问句到知识图谱的转换，提高问答系统的准确性。实验表明，与传统方法相比，EARL在MRR指标上有显著提升。
摘要由CSDN通过智能技术生成

640?wx_fmt=png

Mohnish Dubey, Debayan Banerjee, Debanjan Chaudhuri, Jens Lehmann: EARL: Joint Entity and Relation Linking for Question Answering over Knowledge Graphs. International Semantic Web Conference (1) 2018: 108-126

链接：https://link.springer.com/content/pdf/10.1007%2F978-3-030-00671-6_7.pdf


研究背景

面向知识库的语义问答是指将用户的自然语言问句转换为可以在知识库上执行的形式化查询并获取答案，其面临的挑战主要有以下几点：1）实体的识别和链接；2）关系的识别和链接；3）查询意图识别；4）形式化查询生成。其中实体链接和关系链接是指将自然语言问句中的词汇（或短语）链接到知识库中对应的实体或关系。大多数现有问答系统依次或并行执行实体链接和关系链接步骤，而本工作将这两个步骤合并，提出了1）基于广义旅行商问题的

最低0.47元/天 解锁文章
开放知识图谱
关注
实体链接关系链接：EARL模型 Joint Entity and Relation Linking QA over KG
ChihkAnchor的博客
12-21 2900
EARL：Joint Entity and Relation Linking for Question Answering over Knowledge Graphs 基于知识图谱问答，是当前的一个研究热点，所谓问答就是输入一句自然语言，系统输出一个答案 基于语义解析的问答系统可以是完全基于规则的系统也可以是一个完全基于端到端的系统 语义问答系统当前面临的技术挑战有：1.实体识别与链接...
Joint Entity and Relation Extraction Based on a hybrid neural network
07-11
实体关系抽取经典论文 Joint Entity and Relation Extraction Based on a hybrid neural network
Joint entity and relation extraction based on a hybrid neural network【论文笔记】
Chevalier的博客
07-03 594
一、Background   实体和关系抽取是从文本中抽取命名实体以及识别实体之间的语义关系。传统的系统是以流水线的方法执行这两个任务：首先进行命名实体识别，然后关系抽取。这种分离的框架使得处理两个任务的方式比较灵活性，但是却忽略了彼此的相关性。联合学习框架是关联NER和RC的有效方法，同时可以避免级联错误。但是目前现有的大多数系统都是基于特征工程的，需要花费大量人力时间构建特征。为了减少人工特征...
2020_Joint Entity and Relation Extraction with Set Prediction Networks
All in.的博客
03-06 1428
Joint Entity and Relation Extraction with Set Prediction NetworksAbstractIntroductionMethodSentence EncoderNon-Autoregressive Decoder for Triple Set GenerationInput.Architecture.Bipartite Matching LossExperimentsConclusion 论文 Abstract 联合实体和关系抽取任务的目标是从一个句子
5篇联合知识图谱的自动问答相关论文
木东的博客
05-23 1432
1. An Interpretable Reasoning Network for Multi-Relation Question Answering（基于可解释推理网络的多关系自动问答） 作者：Mantong Zhou,Minlie Huang,Xiaoyan Zhu 摘要：Multi-relation Question Answering is a challenging task,...
EARL:实体和关系映射
05-03
EARL（实体和关系链接器），一种将问题中的实体和关系共同链接到知识图的系统。 EARL将实体链接和关系链接视为单个任务，因此旨在减少由相关步骤引起的错误。 为了实现这一点，EARL使用知识图共同消除实体和关系的...
fly-earl:伯爵·格雷飞插件
05-15
earl ( [ opts ] ) . target ( outputDir ) opts.es5是将编译更改为ES5的布尔选项。 默认为false。 opts.sourceMaps是一个字符串，用于指定如何处理源地图。 .compute将计算源映射，但不会在文件中放置...
Earl:从RFC 6570模板构建URL
05-14
Earl允许您通过替换占位符的值来定义URI模板并构建复杂的URL。 Earl支持基于RFC 6570的4级URI模板。这使得构建复杂的URL变得容易得多，尤其是那些包含嵌入式ID，查询字符串，路径段（ / ），片段（ # ）和其他URI...
实体链接中使用实体一致性信息（coherence）
u010960155的博客
05-27 2698
实体链接（Entity Linking; Entity Disambiguation）是自然语言处理中一个很重要的任务，目的是将文本中发现的mention链接到知识库（Knowledge Base）中的标注实体（Entity）。 实体链接一般需要考虑三种信息，先验信息（prior），mention和entity之间的相似度，实体之间的一致性（coherence） 先验信息。一个是实体本身出现的频率，一个是mention确定下链接到某实体的条件概率，即 p(e|m) 相似度。mention和
实体链接综述
04-03
一篇有关实体链接的讲义，包括定义，方法以及具体算法的讲解
技术动态 | 知识图谱上的实体链接
开放知识图谱
09-08 2535
本文转载自公众号：知识工场 ...
图网络模型原理详解（Graph Network）
热门推荐
ChihkAnchor的博客
01-22 4万+
《Relational inductive biases, deep learning, and graph networks》 这篇论文包含了一部分新研究、一部分回顾和部分统一结论，这篇文章涉及到的很多知识面，涉及到联结主义、行为主义、符号主义，其本身的模型并不难，但是要理解其提出来的背景及相关知识联系，和其研究的深层含义就需要慢慢品读其中的参考文献了。 这篇论文是DeepMind联合谷歌大...
实体链指（1）Entity Linking 综述
小白的专栏
09-03 3100
实体链接（entity linking）任务是指识别出文本中的提及（mention）、确定mention的含义并消除其可能存在的歧义，然后建立该mention到 知识库（KB）中实体（entity）的链接，从而将非结构化数据连接到结构化数据的过程。
CHOLAN：一种模块化实体链接方法
xuzf 的博客
08-09 998
论文链接：https://arxiv.org/abs/2101.09969 (EACL 2021) 代码实现：https://github.com/ManojPrabhakar/CHOLAN ABSTRACT 本文作者提出了实现在知识库上进行端到端实体链接的模块化方法——CHOLAN，该模型包含由两个 transformer-base model 构成的 pipeline。第一个 transformer 用于提取句子中的 mention，第二个 transformer 获取 mention context
必读论文｜实体链接经典论文推荐47篇
xuzf 的博客
08-18 1657
实体链接（entity linking）的任务是识别出文本中的提及（mention） 并建立起到知识库实体（entity）的链接，将非结构化数据连接到结构化数据。实体链接利用知识库中大量实体的丰富信息，实现各种语义应用，如实体链接是很多信息抽取（IR）和自然语言理解（NLU）pipeline 中的重要组件，因为它能够消除文本中 mention 的歧义，并确定 mention 的正确含义。 本文按照 2020 年综述 “Neural Entity Linking: A Survey of Models B.
论文笔记 Medical Entity Linking using Triplet Network
u010960155的博客
08-12 1435
一、动机 实体链接（Entity Linking）或者标准化（Normalization）的目标是将文本中发现的mention链接到知识库中的标准实体。在医疗领域，疾病词的实体链接难度在于缩写、同义词、单词顺序变换等等，这些不同形态的描述给疾病实体链接带来了困难。为了解决这个问题，作者提出了一个基于Triplet Networks的实体链接框架，这篇文章的贡献主要有三点： 为了区分正样本和负样...
Paper小计：Investigating Entity Knowledge in BERT with Simple Neural End-To-EndEntity Linking
huihuixiaoxue的博客
04-24 207
Abstract 端到端实体连接系统的典型体系结构包括三个步骤：提到检测、候选生成和实体消除消义。 在本研究中，我们调查了以下问题： (a)所有这些步骤能否与情境化文本表示模型共同学习，即BERT？ (b)在预先训练好的BERT中已经包含了多少实体知识？ (c)附加的实体知识是否已经提高了BERT在下游任务中的性能？ 为此，我们提出了一种对实体链接设置的极端简化，它工作得非常好：简单地将其转换为整个实体词汇表(在我们的例子中超过700K类)。我们展示一个实体链接基准 (1)这个模型改进了实体表
Joint entity and relation extraction based on a hybrid neural network论文笔记
Torero_lch的博客
11-15 2229
Joint entity and relation extraction based on a hybrid neural network是中科院自动化所2017年发表在Neurocomputing期刊上的论文，提出了一种用于NER和RC的联合模型，可能同时用到了CNN和LSTM，所以叫做hybrid neural network。 一、网络结构： 主要分为三个 模块： 1、编码模块：先...
青少年成就差异：认知干扰容忍度研究
该论文标题"容忍认知干扰在成绩欠佳和优秀中学男生中的差异"探讨了在中学阶段，特别是对于成绩不达标（underachieving）和成绩优异（high achieving）男生，他们对认知干扰的容忍度是否存在显著差别。作者Edward ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值