Zeroshot Multimodal Named Entity Disambiguation for Noisy Social Media Posts_biji

本文探讨了在处理噪声社交媒体帖子时,如何使用零样本多模态实体消歧(Zeroshot Multimodal Named Entity Disambiguation, ZMND)技术。该技术涉及实体指称识别、候选实体生成和消岐等多个步骤,并利用知识图谱嵌入和词汇嵌入模型。在论文中,作者提出了一种mned网络,预测实体的标签嵌入以匹配知识图谱中的相应实体。研究还讨论了为何需要分别学习KG embedding和lexical embedding,以及它们在多模态表示中的作用。实验结果证实了KG embedding和多模态信息对于提高消歧效果的重要性。" 112889726,10331480,Vuex状态管理:数据渲染与修改详解,"['前端开发', 'Vue', 'Vuex']
摘要由CSDN通过智能技术生成

前提

需要的知识点比较多,比如实体指称识别, 候选实体生成,候选实体消岐,few-shot, zero-shot, 实体链指,提及等, attention机制里的key value 原理。

知识点补充

few-shot, zero-shot(学习到的映射)
实体链指,提及、候选生成
将文本中的实体指称mention链向其在给定知识库中的目标实体的过程
流程:实体指称识别、候选实体生成和候选实体消岐。
候选实体生成是确定文本中的实体指称可能指向的实体集合

attention机制里的key value 原理

论文内容

mned网络来预测与相应的知识图谱嵌入在同一空间中的实体的标签嵌入。
在这里插入图片描述

词汇嵌入模型,确定提及和潜在实体之间的词汇相似性
在这里插入图片描述

疑问

为什么要分别学习KG embedding和 lexical embedding?
KG embedding 是为了用来把图文映射到一个空间的,不使用KG embeding,使用其它的映射到一个空间的就可以,比如随机方式而不是用pretrain的方式。
lexcial embe

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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