知识图谱
文章平均质量分 74
爱吃腰果的李小明
这个作者很懒,什么都没留下…
展开
-
电商领域知识图谱:常识抽取,表示与应用
原文标题:《AliCoCo2: Commonsense Knowledge Extraction, Representation and Application in E-commerce》背景在网购时,消费者会输入query检索自己想要的商品,在人的主观意识中,搜索query隐含着许多常识性的知识,比如“天气转凉时需要穿更厚更保暖的衣服”,“商务风格的衬衫通常的立领的”,“孕妇需要防滑的鞋子和防辐射的衣服”等。人的这些常识往往来源于生活经验,但这些常识很难被机器学习到,AliCoCo2的一部分工作原创 2022-04-14 14:39:54 · 1225 阅读 · 0 评论 -
关系抽取新SOTA: 《A Frustratingly Easy Approach for Joint Entity and Relation Extraction》论文笔记
一、前言关系抽取作为知识图谱三元组抽取任务中最最重要的算法,一直受到工业界和学术界的广泛研究。关系抽取任务要做的是识别文本中的实体,并对相应的实体词预测正确的关系。其主要可以归纳为两种主要的技术框架:1. pipeline方式的抽取:即先抽取实体,在预测已抽取实体之间存在的关系2. joint方式的抽取:即实体和关系的联合抽取模式由于pipeline抽取方法存在的误差积累、冗余实体计算、实体关系抽取任务交互缺失等问题,近些年来的SOTA模型的关注点都在于各类joint模型的改造,如共享参数的原创 2021-04-27 14:16:01 · 1262 阅读 · 0 评论 -
知识图谱表示学习中的评价指标
一、Mean Rank方法:对于每个评测三元组,移去头部实体(迭代的方式替换尾部实体)、轮流替换成词表中的其他实体,构建错误的三元组实体。利用关系函数计算头部实体和尾部实体的相似度。对于这个相似度来讲,正确的三元组的值应该比较小,而错误样本的相似度值会比较大。用关系函数对所有的三元组(包括正确的三元组和错误的三元组)进行计算,并按照升序排序。并找出所有正确三元组在该排序中的排名位置做平均。对于一个好的知识图谱表示来说,正确三元组的得分(即头部实体和尾部实体的关系函数值)会小于错误三元组的得分,排名会原创 2021-04-26 12:02:07 · 1789 阅读 · 0 评论