論文の概要: Learning to Select the Next Reasonable Mention for Entity Linking

• arxiv url: http://arxiv.org/abs/2112.04104v1
• Date: Wed, 8 Dec 2021 04:12:50 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-09 14:26:52.498691
• Title: Learning to Select the Next Reasonable Mention for Entity Linking
• Title（参考訳）: エンティティリンクのための次の理性的な選択を学習する
• Authors: Jian Sun, Yu Zhou, Chengqing Zong
• Abstract要約: そこで本稿では,DyMenと呼ばれる新しいモデルを提案する。 我々は、強化学習のアクションサンプリングスペースを削減し、参照の意味的コヒーレンスを維持するために、スライディングウィンドウによる参照をサンプリングする。
• 参考スコア（独自算出の注目度）: 39.112602039647896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Entity linking aims to establish a link between entity mentions in a document and the corresponding entities in knowledge graphs (KGs). Previous work has shown the effectiveness of global coherence for entity linking. However, most of the existing global linking methods based on sequential decisions focus on how to utilize previously linked entities to enhance the later decisions. In those methods, the order of mention is fixed, making the model unable to adjust the subsequent linking targets according to the previously linked results, which will cause the previous information to be unreasonably utilized. To address the problem, we propose a novel model, called DyMen, to dynamically adjust the subsequent linking target based on the previously linked entities via reinforcement learning, enabling the model to select a link target that can fully use previously linked information. We sample mention by sliding window to reduce the action sampling space of reinforcement learning and maintain the semantic coherence of mention. Experiments conducted on several benchmark datasets have shown the effectiveness of the proposed model.
• Abstract（参考訳）: エンティティリンクは、ドキュメント内のエンティティ参照と知識グラフ(KG)の対応するエンティティとのリンクを確立することを目的としている。 前回の研究では、エンティティリンクに対するグローバルコヒーレンスの有効性が示されている。 しかし, 既存のグローバルリンク手法の多くは, 後続の意思決定を強化するために, 以前にリンクされたエンティティを利用する方法に重点を置いている。 これらの方法では、参照順が固定され、モデルが先のリンク結果に従って後のリンクターゲットを調整できないため、以前の情報が不当に利用される。 そこで本研究では,事前リンクされたエンティティに基づいて動的にリンク対象を調整し,先行リンクされた情報を完全に活用可能なリンクターゲットを選択できる新しいモデルdymenを提案する。 強化学習の動作サンプリング空間を縮小するために,スライディングウィンドウによる言及をサンプリングし,参照の意味的一貫性を維持する。 いくつかのベンチマークデータセットで実験を行い、提案モデルの有効性を示した。

関連論文リスト

• A Plug-and-Play Method for Rare Human-Object Interactions Detection by Bridging Domain Gap [50.079224604394]
  textbfContext-textbfEnhanced textbfFeature textbfAment (CEFA) と呼ばれる新しいモデルに依存しないフレームワークを提案する。 CEFAは機能アライメントモジュールとコンテキスト拡張モジュールで構成される。 本手法は, 稀なカテゴリにおけるHOIモデルの検出性能を向上させるために, プラグアンドプレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2024-07-31T08:42:48Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Towards Better Graph-based Cross-document Relation Extraction via Non-bridge Entity Enhancement and Prediction Debiasing [30.204313638661255]
  文書間関係抽出は,異なる文書に存在する対象エンティティ間の関係を予測することを目的としている。 本稿では,非ブリッジエンティティ拡張と予測バイアスを用いたグラフベースのクロスドキュメントREモデルを提案する。
  論文  参考訳（メタデータ） (2024-06-24T11:08:28Z)
• Entity Linking and Discovery via Arborescence-based Supervised Clustering [35.93568319872986]
  本稿では,言及親和性を完全に活用する新しいトレーニングと推論手法を提案する。 我々は,この手法がエンティティ発見に優雅に拡張されていることを示す。 我々はZero-Shot Entity LinkingデータセットとMedMentionsに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-09-02T23:05:58Z)
• Generative Relation Linking for Question Answering over Knowledge Bases [12.778133758613773]
  そこで本稿では, フレーミングを生成問題とする関係リンク手法を提案する。 このようなシーケンス・ツー・シーケンス・モデルを拡張して,対象とする知識ベースから構造化データを注入する。 我々は、議論-関係ペアのリストからなる構造化された出力を生成するためにモデルを訓練し、知識検証のステップを可能にする。
  論文  参考訳（メタデータ） (2021-08-16T20:33:43Z)
• Contrastive Self-supervised Sequential Recommendation with Robust Augmentation [101.25762166231904]
  Sequential Recommendation Describes a set of technique to model dynamic user behavior to order to predict future interaction in sequence user data。 データスパーシリティやノイズの多いデータなど、古くて新しい問題はまだ残っている。 逐次レコメンデーション(CoSeRec)のためのコントラスト型自己監督学習を提案する。
  論文  参考訳（メタデータ） (2021-08-14T07:15:25Z)
• End-to-End Hierarchical Relation Extraction for Generic Form Understanding [0.6299766708197884]
  本稿では,エンティティ検出とリンク予測を併用する新しいディープニューラルネットワークを提案する。 本モデルでは,複数段階の意図的U-Netアーキテクチャを拡張し,リンク予測のための部分強度場と部分連想場を拡張した。 本稿では,ノイズの多い文書データセットの形式理解におけるモデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-06-02T06:51:35Z)
• Learning Intents behind Interactions with Knowledge Graph for Recommendation [93.08709357435991]
  知識グラフ(KG)は、推薦システムにおいてますます重要な役割を果たす。 既存のGNNベースのモデルは、きめ細かいインテントレベルでのユーザ項目関係の特定に失敗します。 本稿では,新しいモデルである知識グラフベースインテントネットワーク(kgin)を提案する。
  論文  参考訳（メタデータ） (2021-02-14T03:21:36Z)
• Clustering-based Inference for Biomedical Entity Linking [40.78384867437563]
  本稿では,リンク決定を知識ベースエンティティにリンクするだけでなく,クラスタリングを通じて複数の言及をまとめてグループ化し,リンク予測を共同で行うモデルを提案する。 公開可能な最大のバイオメディカルデータセットの実験では、エンティティリンクの最良の独立予測を3.0ポイント精度で改善する。
  論文  参考訳（メタデータ） (2020-10-21T19:16:27Z)
• Pose And Joint-Aware Action Recognition [87.4780883700755]
  本稿では,まず,共有動作エンコーダを用いて各関節の動作特徴を別々に抽出する,関節に基づく動作認識の新しいモデルを提案する。 私たちのジョイントセレクタモジュールは、そのタスクの最も識別性の高いジョイントを選択するために、ジョイント情報を再重み付けします。 JHMDB, HMDB, Charades, AVA アクション認識データセットにおける最先端のジョイントベースアプローチに対する大きな改善点を示す。
  論文  参考訳（メタデータ） (2020-10-16T04:43:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。