DLocRL: A Deep Learning Pipeline for Fine-Grained Location Recognition and Linking in Tweets

TweetNERD -- End to End Entity Linking Benchmark for Tweets

Named Entity Recognition and Disambiguation (NERD) systems are foundational for information retrieval, question answering, event detection, and other natural language processing (NLP) applications. We introduce TweetNERD, a dataset of 340K+ Tweets across 2010-2021, for benchmarking NERD systems on Tweets. This is the largest and most temporally diverse open sourced dataset benchmark for NERD on Tweets and can be used to facilitate research in this area. We describe evaluation setup with TweetNERD for three NERD tasks: Named Entity Recognition (NER), Entity Linking with True Spans (EL), and End…

推文中的隐式实体链接

Implicit Entity Linking in Tweets

多年来，Twitter已成为最大的通信平台之一，为品牌监控、趋势检测等各种应用提供关键数据。实体链接是从推文理解自然语言的主要任务之一，它将文本中的实体提及与知识库中的对应条目相关联，以便提供明确的解释和附加上下文。最先进的技术集中在链接推文中明确提到的实体，并取得了一定的成功。然而，我们认为，除了明确提到，即电影重力比火星轨道飞行器任务实体（电影重力）更昂贵，也可以含蓄地提到，即这部新的太空电影是疯狂的。你一定要看！介绍了推文中的隐式实体链接问题。我们提出了一种方法，模型的实体，利用他们的事实和背景知识。我们演示了如何使用这些模型来执行隐式实体链接的地面实况数据集与397推文从两个域，即电影和书籍。具体而言，我们显示：1）链接隐式实体的重要性及其对标准实体链接任务的附加值，以及2）利用与实体相关联的上下文知识来链接它们的隐式提及的重要性。我们还公开了地面实况数据集，以促进这一新研究领域的研究。

S-MART：一种新的基于树的结构化学习算法用于Tweet实体链接

S-MART: Novel Tree-based Structured Learning Algorithms Applied to Tweet Entity Linking

非线性模型最近受到了很多关注，因为人们开始发现统计和嵌入特征的力量。然而，基于树的模型很少在结构化学习的背景下进行研究，尽管它们最近在各种分类和排名任务上取得了成功。在本文中，我们提出了S-MART，一个基于树的结构化学习框架的基础上，多加性回归树。S-MART特别适合处理具有密集特征的任务，并且可以用于在各种损失函数下学习许多不同的结构。我们将S-MART应用于推文实体链接的任务-推文信息抽取的核心组件，其目的是识别和链接名称提到知识库中的实体。针对任务的特殊结构，提出了一种新的推理算法.实验结果表明，S-MART显着优于国家的最先进的鸣叫实体链接系统。

使用转换的词嵌入将推文与单语和跨语言新闻链接

Linking Tweets with Monolingual and Cross-Lingual News using Transformed Word Embeddings

社交媒体平台已经发展成为传播关于传统媒体发布的事件的信息的重要媒介，例如新闻文章。从不同角度讨论同一主题的各种信息来源提供了新的见解。但是，非正式的社交媒体内容（如推文）和精心撰写的内容（如新闻文章）之间的词汇使用差距使得这种组装变得困难。在本文中，我们提出了一个转换框架，利用他们的词嵌入跨越语言的鸣叫和在线新闻文章之间的词使用的差距。使用我们的框架，从推文和新闻文章中提取的词嵌入在不同语言中彼此更接近，从而便于识别新闻文章和推文之间的相似性。实验结果表明，单语推文和新闻文章比较的基线有显着改善，而跨语言比较的新发现。

Multimodal Entity Linking for Tweets

In many information extraction applications, entity linking (EL) has emerged as a crucial task that allows leveraging information about named entities from a knowledge base. In this paper, we address the task of multimodal entity linking (MEL), an emerging research field in which textual and visual information is used to map an ambiguous mention to an entity in a knowledge base (KB). First, we propose a method for building a fully annotated Twitter dataset for MEL, where entities are defined in a Twitter KB. Then, we propose a model for jointly learning a representation of both mentions and en…

推文的命名实体识别与链接分析

Analysis of Named Entity Recognition and Linking for Tweets

将自然语言处理应用于对推文（微博的一种形式）的挖掘和智能信息访问是一个具有挑战性的新兴研究领域。与精心撰写的新闻文本和其他较长的内容不同，推文由于其简短，嘈杂，上下文相关和动态的性质而带来了许多新的挑战。来自推文的信息抽取通常在流水线中执行，流水线包括语言识别、标记化、词性标记、命名实体识别和实体消歧（例如，关于DBpedia）的连续阶段。在这项工作中，我们描述了一个新的Twitter实体消歧数据集，并进行了实证分析的命名实体识别和消歧，调查如何强大的一些国家的最先进的系统是这样的嘈杂的文本，错误的主要来源是什么，以及哪些问题应该进一步研究，以提高最先进的。