論文の概要: Learn to Not Link: Exploring NIL Prediction in Entity Linking
- arxiv url: http://arxiv.org/abs/2305.15725v1
- Date: Thu, 25 May 2023 05:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-26 17:27:04.794142
- Title: Learn to Not Link: Exploring NIL Prediction in Entity Linking
- Title(参考訳): リンクの学習: エンティティリンクにおけるNIL予測の探索
- Authors: Fangwei Zhu, Jifan Yu, Hailong Jin, Juanzi Li, Lei Hou, Zhifang Sui
- Abstract要約: NIL予測問題に着目したエンティティリンクデータセットNELを提案する。
NELは曖昧な実体を種として取り、ウィキペディアのコーパスで関連する言及コンテキストを収集し、NILにリンクする参照の存在を保証する。
我々は、広く使われているバイエンコーダとクロスエンコーダのエンティティリンクモデルを用いて一連の実験を行い、トレーニングデータにおけるNILの言及は、NIL予測の精度に大きな影響を及ぼすことを示した。
- 参考スコア(独自算出の注目度): 32.297735947219735
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Entity linking models have achieved significant success via utilizing
pretrained language models to capture semantic features. However, the NIL
prediction problem, which aims to identify mentions without a corresponding
entity in the knowledge base, has received insufficient attention. We
categorize mentions linking to NIL into Missing Entity and Non-Entity Phrase,
and propose an entity linking dataset NEL that focuses on the NIL prediction
problem. NEL takes ambiguous entities as seeds, collects relevant mention
context in the Wikipedia corpus, and ensures the presence of mentions linking
to NIL by human annotation and entity masking. We conduct a series of
experiments with the widely used bi-encoder and cross-encoder entity linking
models, results show that both types of NIL mentions in training data have a
significant influence on the accuracy of NIL prediction. Our code and dataset
can be accessed at https://github.com/solitaryzero/NIL_EL
- Abstract(参考訳): エンティティリンクモデルは、事前訓練された言語モデルを使用してセマンティック機能をキャプチャすることで大きな成功を収めた。
しかし,知識ベースに該当しない言及を識別することを目的としたNIL予測問題は,あまり注目されていない。
我々はNILへのリンクをMissing EntityとNon-Entity Phraseに分類し、NIL予測問題に焦点を当てたエンティティリンクデータセットNELを提案する。
NELは曖昧な実体を種として取り、ウィキペディアのコーパスで関連する言及コンテキストを収集し、人間のアノテーションと実体マスキングによってNILにリンクする言及の存在を保証する。
我々は、広く使われているバイエンコーダとクロスエンコーダのエンティティリンクモデルを用いて一連の実験を行い、トレーニングデータにおけるNILの言及は、NIL予測の精度に大きな影響を及ぼすことを示した。
私たちのコードとデータセットはhttps://github.com/solitaryzero/NIL_ELでアクセスできます。
関連論文リスト
- SpEL: Structured Prediction for Entity Linking [5.112679200269861]
我々は,個々の入力トークンをエンティティとして分類するエンティティリンクの構造化予測の利用を再検討し,トークン予測を集約する。
我々のシステムであるSpELは最先端のエンティティリンクシステムであり、いくつかの新しいアイデアを用いてエンティティリンクのタスクに構造化予測を適用する。
実験の結果,WikipediaへのエンティティリンクのためのAIDAベンチマークデータセットでは,最先端のAIDAよりも優れていることがわかった。
論文 参考訳(メタデータ) (2023-10-23T08:24:35Z) - NASTyLinker: NIL-Aware Scalable Transformer-based Entity Linker [2.3605348648054463]
我々は,NIL-entityを意識したELアプローチを導入し,既知のエンティティのリンク性能を維持しつつ,対応する参照クラスタを生成する。
NIL-entities に対して EL を評価するために明示的に構築されたデータセットである NILK 上で NASTyLinker の有効性と拡張性を示す。
論文 参考訳(メタデータ) (2023-03-08T08:08:57Z) - MGDCF: Distance Learning via Markov Graph Diffusion for Neural
Collaborative Filtering [96.65234340724237]
現状のGNNベースCFモデルとコンテキスト符号化に基づく従来の1層NRLモデルとの等価性を示す。
マルコフグラフ拡散協調フィルタ (MGDCF) を用いて, 最先端のGNNベースCFモデルを一般化する。
論文 参考訳(メタデータ) (2022-04-05T17:24:32Z) - GNN-LM: Language Modeling based on Global Contexts via GNN [32.52117529283929]
GNN-LMは、トレーニングコーパス全体において、同様のコンテキストを参照できるようにすることで、バニラニューラル言語モデル(LM)を拡張します。
GNN-LMはWikiText-103で14.8の最先端のパープレクシリティを実現している。
論文 参考訳(メタデータ) (2021-10-17T07:18:21Z) - LNN-EL: A Neuro-Symbolic Approach to Short-text Entity Linking [62.634516517844496]
本稿では,解釈可能なルールとニューラルネットワークの性能を併用したニューラルシンボリックアプローチであるLNN-ELを提案する。
ルールの使用に制約があるにもかかわらず、LNN-ELはSotAのブラックボックスニューラルアプローチと競合する。
論文 参考訳(メタデータ) (2021-06-17T20:22:45Z) - Link Prediction on N-ary Relational Data Based on Relatedness Evaluation [61.61555159755858]
我々は,n-aryリレーショナルデータ上でリンク予測を行うNaLPという手法を提案する。
各 n 個の関係事実を、その役割と役割と値のペアの集合として表現する。
実験結果は,提案手法の有効性と有用性を検証した。
論文 参考訳(メタデータ) (2021-04-21T09:06:54Z) - 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) - Neural Networks Enhancement with Logical Knowledge [83.9217787335878]
関係データに対するKENNの拡張を提案する。
その結果、KENNは、存在関係データにおいても、基礎となるニューラルネットワークの性能を高めることができることがわかった。
論文 参考訳(メタデータ) (2020-09-13T21:12:20Z) - Inductive Link Prediction for Nodes Having Only Attribute Information [21.714834749122137]
属性グラフでは、構造情報と属性情報の両方をリンク予測に利用することができる。
2つのノード埋め込みエンコーダと1つのアライメント機構からなるDEALモデルを提案する。
提案手法は,既存のインダクティブリンク予測手法よりも優れ,また,トランスダクティブリンク予測における最先端手法よりも優れる。
論文 参考訳(メタデータ) (2020-07-16T00:51:51Z)
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。