What Do Biomedical NER and Entity Linking Benchmarks Measure? A Corpus-Centric Diagnostic Framework
National Library of Medicine（国家医学图书馆）
本文提出一种以语料库为中心的诊断框架，用于分析生物医学NER和实体链接基准测试的相关属性，揭示语料库特性对评估信号、泛化需求和基准测试结论范围的影响。
2026-05-19 cs.CL
Leveraging 2-hop Distant Supervision from Table Entity Pairs for Relation Extraction
The Ohio State University（俄亥俄州立大学）
远程监控（Distant Supervision，DS）已被广泛用于自动构造（噪声）标记数据以用于关系抽取（RE）。给定两个实体，远距离监督利用直接提到它们的句子来预测它们的语义关系。我们把这种策略称为1跳DS，不幸的是，它可能不适合于支持句子很少的长尾实体。在本文中，我们引入了一种新的策略，名为2跳DS，以提高远程监督RE，观察到存在大量的关系表在Web上包含共享共同关系的实体对。我们将这样的实体对称为彼此的锚，并收集所有提到给定目标实体对的锚实体对的句子，以帮助关系预测。我们在多示例学习范式中开发了一种新的神经RE方法REDS 2，该方法采用分层模型结构分别融合来自1跳DS和2跳DS的信息。在基准数据集上进行的大量实验结果表明，REDS2可以在不同的设置中始终优于各种基线。
2019-09-13 cs.CL
UMLS-KGI-BERT: Data-Centric Knowledge Integration in Transformers for Biomedical Entity Recognition
Univ. Grenoble Alpes（格勒诺布尔大学）；CNRS（法国国家科学研究中心）；EPOS SAS（EPOS公司）；UFR de Médecine（医学院）
本文提出UMLS-KGI-BERT，通过从UMLS提取文本序列并以数据为中心的方式将图学习目标与掩码语言预训练结合，从而提升生物医学和临床命名实体识别性能。
2025-04-11 cs.CL
Can a Frozen Pretrained Language Model be used for Zero-shot Neural Retrieval on Entity-centric Questions?
Kioxia Corporation（铠侠公司）
神经文档检索器，包括密集段落检索（DPR），在特定的问答数据集上进行微调和测试时，表现优于经典的词汇匹配检索器，如BM 25。然而，它已被证明，现有的密集检索不推广以及不仅出域，但即使在域，如维基百科，特别是当一个问题中的命名实体是一个主要的线索检索。在本文中，我们提出了一种方法，对领域泛化内泛化使用的嵌入所产生的冻结语言模型训练的实体领域。通过不微调，我们探索了预训练的语言模型中包含的丰富知识可用于检索任务的可能性。该方法优于传统的DPRs在维基百科领域的实体为中心的问题，并实现几乎相当的性能BM 25和最先进的SPAR模型。我们还表明，上下文化的键导致强大的改进相比，BM 25时，实体名称由常见的单词。我们的研究结果表明，zero-shot检索方法的可行性，以实体为中心的问题的维基百科领域，DPR一直在努力执行。
2023-03-09 cs.AI cs.CL
Don't Lose Entities from Retrieval to Generation: Dual Entity Recovery RAG for multi-hop QA
UNIST（蔚山科学技术院）
针对多跳问答中检索与生成阶段实体信息丢失的问题，提出双实体恢复RAG（DER-RAG），通过双向查询分解和主语实体前缀，无需图构建或微调，在三个基准上达到或超越强基线。
2026-09-09 cs.CL
A Unified Approach to Entity-Centric Context Tracking in Social Conversations
Google Research（谷歌研究院）
在人与人的对话中，上下文跟踪处理识别重要实体并跟踪其属性和关系。这是一个具有挑战性的问题，包括几个子任务，如槽标记，共指消解，解决复数提及和实体链接。我们处理这个问题作为一个端到端的建模任务，其中的会话上下文是由一个实体存储库，包含迄今为止提到的实体引用，它们的属性和它们之间的关系。存储库逐轮更新，因此即使对于长时间的对话，也可以提高训练和推理的计算效率。本文从两个方面为这一框架的研究奠定了基础。首先，我们发布了Contrack，这是一个大规模的人与人对话语料库，用于使用人和位置注释进行上下文跟踪。它包含超过7000个对话，平均每个对话有11.8个回合，5.8个实体和15.2个引用。其次，我们开源了一个用于上下文跟踪的神经网络架构。最后，我们比较了这个网络的最先进的方法，它所包含的子任务和报告的结果所涉及的权衡。
2022-04-26 cs.AI cs.CL
GATHER: Convergence-Centric Hyper-Entity Retrieval for Zero-Shot Cell-Type Annotation
Artificial Intelligence Research Institute, Shenzhen University of Advanced Technology（深圳先进技术大学人工智能研究院）；Software College, Northeastern University（东北大学软件学院）；Shenzhen Institutes of Advanced Technology, Chinese Academy of Sciences（中国科学院深圳先进技术研究院）
GATHER通过全局多源图遍历识别拓扑收敛点，以高信息超实体捕捉实体协同，无需LLM参与检索，提升零样本细胞类型注释效率。
2026-05-07 cs.CL cs.IR
Simple Entity-Centric Questions Challenge Dense Retrievers
Princeton University（普林斯顿大学）
开放领域的问答最近爆炸式流行，由于稠密检索模型的成功，它已经超过了稀疏模型，只使用一些监督训练样本。然而，在本文中，我们证明了当前的密集模型还不是检索的圣杯。我们首先构建了一组简单的，基于维基数据事实的实体丰富的问题（例如，“Arve Furset出生在哪里？），并观察到密集的检索器大大低于稀疏的方法。我们研究了这个问题，发现密集检索器只能概括到共同的实体，除非在训练过程中明确观察到的问题模式。我们讨论两个简单的解决方案来解决这个关键问题。首先，我们证明了数据增强无法解决泛化问题。其次，我们认为一个更强大的通道编码器有助于促进更好的问题适应使用专门的问题编码器。我们希望我们的工作可以揭示在创建一个强大的，通用的密集检索器，以及在不同的输入分布的挑战。
2022-02-22 cs.CL cs.IR
MasakhaNER 2.0: Africa-centric Transfer Learning for Named Entity Recognition
Google Research（谷歌研究院）；SADiLaR（南非语言资源中心）；Masakhane NLP（Masakhane自然语言处理社区）；Saarland University（萨尔大学）；University College London（伦敦大学学院）；Carnegie Mellon University（卡内基梅隆大学）；University of the Witwatersrand（金山大学）；Brandeis University（布兰迪斯大学）；LIAAD-INESC TEC（葡萄牙系统与计算机工程研究所LIAAD实验室）；Makerere University（马凯雷雷大学）；University of Bergen（卑尔根大学）；Mila Quebec AI Institute（米拉魁北克人工智能研究所）；RIKEN Center for AI Project（理化学研究所人工智能项目中心）；Baamtu（Baamtu公司）；Malawi University of Business and Applied Science（马拉维商业与应用科学大学）；Uppsala University（乌普萨拉大学）；TU Munich（慕尼黑工业大学）；TU Clausthal（克劳斯塔尔工业大学）；Rochester Institute of Technology（罗切斯特理工学院）；University of Pretoria（比勒陀利亚大学）
非洲语言有超过10亿人使用，但在NLP研究和开发中的代表性不足。阻碍取得进展的挑战包括：可获得的附加说明的数据集有限，以及对现行方法有效的环境缺乏了解。在本文中，我们对这些挑战的解决方案取得了进展，专注于命名实体识别（NER）的任务。我们为20种非洲语言创建了最大的人类注释NER数据集，并在以非洲为中心的环境中研究了最先进的跨语言迁移方法的行为，证明了源语言的选择会显著影响性能。我们发现，与使用英语相比，选择最佳迁移语言在20种语言中平均提高了zero-shot F1分数14分。我们的研究结果强调了对涵盖类型多样的非洲语言的基准数据集和模型的需求。
2022-11-15 cs.CL
Low-Resource Named Entity Recognition Based on Multi-hop Dependency Trigger
提出了一种简单有效的基于多跳依赖触发器的低资源命名实体识别方法。依赖触发器是指上下文语句的依赖图中相对于实体的显著节点。我们的主要观察结果是，句子中经常存在触发语，触发语对识别句子中实体的位置和类型起着重要的作用。以前的研究使用手动标记触发器。我们的主要贡献是提出使用一个句法分析器自动注释触发器。在两个英文数据集（CONLL 2003和BC5CDR）上的实验表明，该方法与以前的基于词典的NER模型具有可比性。
2022-08-13 cs.AI cs.CL
Reasoning Chain Based Adversarial Attack for Multi-hop Question Answering
近年来，在具有挑战性的多跳QA任务方面取得了令人印象深刻的进展。然而，这些QA模型可能会失败时，面对一些干扰的输入文本和他们的可解释性进行多跳推理仍然不确定。以往的对抗攻击通常对整个问句进行编辑，这对于测试基于实体的多跳推理能力效果有限。提出了一种基于多跳推理链的对抗攻击方法。我们制定的多跳推理链从查询实体的答案实体在构造的图，这使我们能够对齐的问题，每个推理跳，从而攻击任何一跳。我们将问题分类为不同的推理类型，并对抗性地修改与所选推理跳相对应的问题的一部分，以生成分散注意力的句子。我们在HotpotQA数据集上的三个QA模型上测试了我们的对抗方案。实验结果表明，基于推理链的多跳推理模型攻击方法在回答和支持事实预测上都有明显的性能下降，验证了该方法对多跳推理模型攻击的有效性及其脆弱性.我们的对抗性重新训练进一步提高了这些模型的性能和鲁棒性。
2021-12-17 cs.CL
Recurrent One-Hop Predictions for Reasoning over Knowledge Graphs
University of Pennsylvania（宾夕法尼亚大学）；Microsoft Research（微软研究院）；LMU Munich（慕尼黑大学）
大规模知识图谱（KG），如Freebase，通常是不完整的。因此，多跳（mh）KG路径上的推理是问答或需要关于世界的知识的其他NLP任务所需的重要能力。mh-KG推理包括不同的场景，例如，给定一个头实体和一条关系路径，预测尾实体;或给定两个实体之间由一些关系路径连接，预测它们之间的未知关系。我们提出了ROP，循环一跳预测器，通过使用循环神经网络和实体和关系的向量表示来预测mh-KB路径的每一步的实体，具有两个好处：（i）在每一步通过训练信号更新实体和关系表示的同时对任意长度的mh路径进行建模;（ii）在统一的框架中处理不同类型的mh-KG推理。我们的模型显示了两个重要的多跳KG推理任务的最新技术：知识库完成和路径查询。
2018-06-12 cs.CL
BAG: Bi-directional Attention Entity Graph Convolutional Network for Multi-hop Reasoning Question Answering
The University of Sydney（悉尼大学）；Tencent Robotics X（腾讯机器人X实验室）
多跳推理问答需要深入理解各种文档和查询之间的关系。我们提出了一个双向注意实体图卷积网络（BAG），利用实体图中的节点之间的关系和查询和实体图之间的注意力信息，来解决这个问题。图卷积网络用于获得从具有多级特征的文档构建的实体图的节点的关系感知表示。然后，双向注意力应用于图和查询，以生成查询感知节点表示，这将用于最终的预测。实验评估表明，BAG在QAngaroo WIKIHOP数据集上实现了最先进的精度性能。
2019-04-10 cs.AI cs.CL cs.LG
Multi-Perspective Evidence Synthesis and Reasoning for Unsupervised Multimodal Entity Linking
The University of New South Wales（新南威尔士大学）；Shanghai Jiao Tong University（上海交通大学）；University of Technology Sydney（技术大学悉尼）
本文提出MSR-MEL框架，通过多视角证据综合与推理提升无监督多模态实体链接性能，采用图神经网络和大语言模型进行证据整合与推理，实验表明优于现有方法。
2026-10-20 cs.CL
A Hierarchical Entity Graph Convolutional Network for Relation Extraction across Documents
National University of Singapore（新加坡国立大学）；Indian Institute of Technology Kharagpur（印度理工学院卡拉格普尔分校）
用于关系抽取的远程监督数据集主要集中在事务级抽取，并且它们覆盖的关系很少。在这项工作中，我们提出了跨文档的关系抽取，其中的两个实体的关系元组出现在两个不同的文件，通过一个共同的实体链连接。按照这个想法，我们创建了一个两跳关系抽取的数据集，其中每个链只包含两个文档。我们提出的数据集涵盖了更多的关系比公开可用的数据集级别。我们还为此任务提出了一个分层实体图卷积网络（HEGCN）模型，与一些强大的神经基线相比，该模型在我们的两跳关系抽取数据集上将性能提高了1.1\% F1分数。
2021-08-21 cs.CL
Analyzing the Effectiveness of the Underlying Reasoning Tasks in Multi-hop Question Answering
National Institute of Informatics（国立信息学研究所）；The Graduate University for Advanced Studies（综合研究大学院大学）；The University of Tokyo（东京大学）
为了解释预测的答案和评估模型的推理能力，一些研究利用了多跳问答（QA）数据集中的底层推理（UR）任务。然而，当以端到端的方式对这两个任务进行训练模型时，UR任务对于QA任务的有效性如何仍然是一个悬而未决的问题。在这项研究中，我们解决这个问题，通过分析UR任务（包括企业级和实体级任务）的有效性在三个方面：（1）QA性能，（2）推理捷径，（3）鲁棒性。虽然以前的模型没有在实体级推理预测任务上进行显式训练，但我们构建了一个多任务模型，该模型可以同时执行三个任务：实体级支持事实预测，实体级推理预测和答案预测。在2 WikiMultiHopQA和HotpotQA-small数据集上的实验结果表明：（1）UR任务可以提高QA性能。使用新创建的四个去偏数据集，我们证明了（2）UR任务有助于防止多跳QA任务中的推理捷径。然而，我们发现（3）UR任务并没有有助于提高模型对对抗性问题的鲁棒性，例如子问题和反向问题。我们鼓励未来的研究以自然语言问题的形式调查实体级推理的有效性（例如，子问题形式）。
2023-02-12 cs.CL
SEARCH-R: Structured Entity-Aware Retrieval with Chain-of-Reasoning Navigator for Multi-hop Question Answering
City University of Hong Kong（香港城市大学）；Xi’an Jiaotong University（西安交通大学）；Zhejiang University of Technology（浙江工业大学）；Michigan State University（密歇根州立大学）；Jilin University（吉林大学）
SEARCH-R通过结构化实体感知检索与推理链导航器，解决多跳问答中推理路径生成和知识检索的准确性问题，提升多跳问答性能。
2026-04-27 cs.CL
Document-level Entity-based Extraction as Template Generation
Information Sciences Institute, University of Southern California（南加州大学信息科学研究所）；University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；University of California, Los Angeles（加利福尼亚大学洛杉矶分校）
文档级基于实体的抽取（EE）旨在抽取以实体为中心的信息，如实体角色和实体关系，是从不同领域的文本语料库中自动获取知识获取的关键。大多数文档级EE系统构建提取模型，这些模型难以在文档级对实体之间的长期依赖关系进行建模。为了解决这个问题，我们提出了两个文档级EE任务：角色填充实体提取（REE）和关系抽取（RE）的生成框架。我们首先将它们制定为模板生成问题，允许模型有效地捕获跨实体依赖关系，利用标签语义，并避免识别N元关系的指数计算复杂性。一种新的交叉注意引导复制机制，TopK复制，被纳入一个预先训练的序列到序列模型，以提高识别输入文档中的关键信息的能力。在MUC-4和SciREX数据集上进行的实验显示了F1评分中REE（+3.26%），二元RE（+4.8%）和4元RE（+2.7%）的最新结果。
2021-09-10 cs.CL
Exploiting Hybrid Semantics of Relation Paths for Multi-hop Question Answering Over Knowledge Graphs
Peking University（北京大学）；Tencent（腾讯）
在知识图谱（KGQA）上表达自然语言问题对于通过多跳推理理解复杂问题仍然是一个巨大的挑战。以往的研究通常利用大规模的实体相关文本语料库或知识图谱（KG）作为辅助信息，以促进答案的选择。然而，丰富的语义隐含在现成的实体之间的关系路径远未得到很好的探索。本文提出利用关系路径的混合语义来改进多跳KGQA。具体来说，我们集成了显式的文本信息和隐含的KG结构特征的关系路径的基础上一个新的旋转和缩放实体链接预测框架。在现有的三个KGQA数据集上的大量实验证明了该方法的优越性，特别是在多跳场景中。进一步的研究证实了我们的方法的系统协调问题和关系路径识别答案实体。
2022-09-02 cs.CL
SEDA: A Self-Adapted Entity-Centric Data Augmentation for Boosting Gird-based Discontinuous NER Models
SEDA通过自适应实体中心数据增强技术，提升基于网格的不连续命名实体识别模型性能，实现不连续实体识别的显著提升。
2025-12-30 cs.AI cs.CL cs.IR
A Densely Connected Criss-Cross Attention Network for Document-level Relation Extraction
Xiamen University（厦门大学）
文档级关系抽取（RE）旨在识别给定文档中两个实体之间的关系。与文档级RE相比，文档级RE需要复杂的推理。以往的研究通常通过在文档图的提及层或实体层上进行信息传播来完成推理，而很少考虑到实体对层上的推理，本文提出了一种新的文档级RE模型--密集连接交叉注意网络（Densely Connected Criss-Cross Attention Network，Dense-CCNet），该模型能够在实体对层上完成逻辑推理。具体而言，Dense-CCNet通过交叉注意（CCA）进行实体对级别的逻辑推理，可以在实体对矩阵上收集水平和垂直方向的上下文信息，以增强相应的实体对表示。此外，我们密集地连接CCA的多个层，以同时捕获单跳和多跳逻辑推理的特征。我们在三个公共文档级RE数据集DocRED，CDR和GDA上评估了我们的Dense-CCNet模型。实验结果表明，我们的模型在这三个数据集上达到了最先进的性能。
2022-03-26 cs.CL
NNE: A Dataset for Nested Named Entity Recognition in English Newswire
University of Sydney（悉尼大学）；CSIRO Data61（澳大利亚联邦科学与工业研究组织数据61研究所）；Digital Health CRC（数字健康合作研究中心）
命名实体识别（NER）广泛用于自然语言处理应用和下游任务中。然而，大多数NER工具针对流行数据集的平面注释，避开嵌套实体提及中可用的语义信息。我们描述NNE-一个细粒度的，嵌套命名的实体数据集在整个华尔街日报部分的宾州树库（PTB）。我们的注释包括279，795个提到的114个实体类型，最多有6层嵌套。我们希望这个大型数据集的公开发布将鼓励嵌套NER的新技术的发展。
2019-06-04 cs.CL
HARE: an entity and relation centric evaluation framework for histopathology reports
University College London（伦敦大学学院）；University of Glasgow（格拉斯哥大学）；Human Technopole（人类技术极地）；University College London Hospitals NHS Foundation Trust（伦敦大学学院医院国家健康服务信托）
本文提出以实体和关系为中心的组织病理学报告评估框架 HARE，通过构建标注基准、微调 NER 与 RE 模型并设计新指标，在专家评估相关性上优于传统及放射学指标。
2025-09-19 cs.CL cs.CV
UHop: An Unrestricted-Hop Relation Extraction Framework for Knowledge-Based Question Answering
Institute of Information Science Academia Sinica（中央研究院资讯科学研究所）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）；National Institute of Technology Rourkela（鲁尔克拉国家理工学院）；Most Joint Research Center for AI Technology（Most人工智能技术联合研究中心）；All Vista Healthcare（全景医疗保健）
在用于基于知识的问答的关系抽取中，经由单个关系从一个实体搜索到另一个实体被称为“单跳”。在相关工作中，从知识图谱中的所有单跳关系、两跳关系等到最大跳关系的穷举搜索是必要的，但代价很高。因此，跳数通常限制为两个或三个。在本文中，我们提出了UHop，一个不受限制的跳框架，放宽了这一限制，通过使用一个基于转换的搜索框架，以取代基于关系链的搜索。我们对传统的1-和2-hop问题以及冗长的问题进行实验，包括WebQSP，PathQuestion和Grid World等数据集。结果表明，所提出的框架能够停止的能力，以及与国家的最先进的模型，实现竞争力的性能，而无需穷举搜索，并打开长关系路径的性能差距。
2019-04-02 cs.CL
Rethinking Negative Instances for Generative Named Entity Recognition
Soochow University（苏州大学）；Tsinghua University（清华大学）
针对生成式命名实体识别任务，通过引入负样本训练与定制LCS匹配算法构建GNER系统，显著提升零样本场景下未见实体领域的识别性能，F1分数超现有最优方法9分。
2024-06-19 cs.CL
MDER-DR: Multi-Hop Question Answering with Entity-Centric Summaries
MDER-DR通过实体中心摘要和分解解决机制，提升多跳问答任务在稀疏复杂关系数据中的鲁棒性和性能。
2026-03-11 cs.AI cs.CL cs.IR
Query-Centric Graph Retrieval Augmented Generation
Huawei Technologies Co., Ltd（华为技术有限公司）
针对现有图RAG的粒度困境，提出查询中心图框架QCG-RAG，利用Doc2Query构建查询粒度图并实现多跳块检索，在LiHuaWorld和MultiHop-RAG上提升问答准确性。
2025-09-25 cs.CL cs.IR
Answering Complex Open-domain Questions Through Iterative Query Generation
Stanford University（斯坦福大学）
对于当前的一步检索和阅读问答（QA）系统来说，回答诸如“《无敌舰队》的作者的哪部小说将被史蒂文·斯皮尔伯格改编为故事片？“因为这个问题很少包含关于失踪实体（这里是作者）的可检索线索。提出这样的问题需要多跳推理，其中必须收集关于丢失的实体（或事实）的信息以继续进行进一步的推理。我们提出了GoldEn（黄金实体）检索器，它在阅读上下文和检索更多支持文档之间迭代，以回答开放域多跳问题。GoldEn Retriever没有使用不透明和计算昂贵的神经检索模型，而是在给定问题和可用上下文的情况下生成自然语言搜索查询，并利用现成的信息检索系统来查询丢失的实体。这使得GoldEn Retriever能够有效地扩展开放域多跳推理，同时保持可解释性。我们在最近提出的开放域多跳QA数据集HotpotQA上评估了GoldEn Retriever，并证明了它的性能优于先前发布的最佳模型，尽管没有使用预训练的语言模型，如BERT。
2019-10-15 cs.CL
FactMix: Using a Few Labeled In-domain Examples to Generalize to Cross-domain Named Entity Recognition
Westlake University（西湖大学）；Westlake Institute for Advanced Study（西湖高等研究院）；Tencent AI Lab（腾讯AI实验室）；Huazhong University of Science and Technology（华中科技大学）
本文提出FactMix，一种两步基于理据的数据增强方法，利用少量标注域内示例提升跨域命名实体识别的泛化能力，在多个数据集上优于现有方法。
2023-12-26 cs.CL
Learning Cross-Context Entity Representations from Text
Google Research（谷歌研究院）；Google AI（谷歌人工智能）
语言建模任务，其中词，或词片，预测的基础上的本地上下文，已经非常有效的学习词嵌入和上下文相关的短语表示。出于观察，努力编码世界知识到机器可读的知识库或人类可读的百科全书往往是以实体为中心的，我们调查使用的填空任务，学习上下文无关的表示实体的文本上下文中，这些实体被提到。我们表明，神经模型的大规模训练使我们能够学习高质量的实体表示，并且我们在四个领域展示了成功的结果：（1）现有的实体级类型基准，包括比以前的TypeNet工作减少64%的错误（Murty等人，2018年）;（2）一种新的Few-Shot类别重建任务;（3）现有的实体链接基准，其中我们在没有链接特定特征的情况下匹配CoNLL-Aida上的最新技术，并在TAC-KBP 2010上获得89.8%的分数，而不使用任何别名表、外部知识库或域训练数据;以及（4）回答唯一标识实体的琐事问题。我们的全局实体表示编码细粒度的类型类别，如苏格兰足球运动员，并可以回答一些琐事，如：谁是柏林Spandau监狱的最后一个囚犯？
2020-01-11 cs.CL
Knowledge-enhanced Iterative Instruction Generation and Reasoning for Knowledge Base Question Answering
Peking University（北京大学）
多跳知识库问答（KBQA）的目的是在知识库中找到答案实体，该答案实体与问题中提到的主题实体相距若干跳。现有的基于检索的方法首先从问题中生成指令，然后使用它们来指导知识图谱上的多跳推理。由于在整个推理过程中指令是固定的，并且指令生成过程中不考虑知识图谱，因此模型一旦预测出中间实体错误，就无法修正错误。为了解决这个问题，我们提出了KBIGER（知识库迭代指令生成和推理），一种新颖的和有效的方法来生成动态的帮助下，推理图的指令。在推理之前，我们不生成所有的指令，而是考虑第（k-1）个推理图来构建第k个指令。通过这种方式，模型可以检查图中的预测，并生成新的指令来修改中间实体的错误预测。我们在两个多跳KBQA基准测试上进行了实验，实验结果表明，该方法的性能优于现有方法，成为最新的KBQA方法。进一步的实验表明，该方法能够检测中间实体的错误预测，并具有修正错误的能力。
2022-09-07 cs.CL
Improving Distantly Supervised Relation Extraction using Word and Entity Based Attention
Indian Institute of Science（印度科学研究所）；University of British Columbia（英属哥伦比亚大学）
关系抽取是对给定句子中两个实体之间的关系进行分类的问题。远程监督（DS）是一种流行的技术，用于从有限监督开始开发关系提取器。我们注意到，在远程监督关系抽取设置中的大多数句子都很长，并且可以受益于单词注意以获得更好的句子表示。我们在本文中的贡献有三个方面。首先，我们提出了两个新的词注意力模型的远程监督关系抽取：（1）双向门控递归单元（Bi-GRU）为基础的词注意力模型（BGWA），（2）以实体为中心的注意力模型（EA），和（3）组合模型，采用加权投票方法结合多个互补的模型改进的关系抽取。其次，介绍了一种新的用于关系抽取的远程监督数据集GDS。GDS消除了所有以前的远程监督基准数据集中存在的测试数据噪声，使可靠的自动评估成为可能。第三，通过在多个真实数据集上的大量实验，我们证明了所提出的方法的有效性。
2018-04-19 cs.CL
BERN2: an advanced neural biomedical named entity recognition and normalization tool
Korea University（高丽大学）；AIRS Company, Hyundai Motor Group（现代汽车集团AIRS公司）；AIGEN Sciences（AIGEN科学公司）
在生物医学自然语言处理中，命名实体识别（NER）和命名实体规范化（NEN）是从不断增长的生物医学文献中自动提取生物医学实体（如疾病和药物）的关键任务。在这篇文章中，我们提出了BERN2（高级生物医学实体识别和规范化），一个工具，通过采用多任务NER模型和基于神经网络的NEN模型来实现更快，更准确的推理，改进了以前的基于神经网络的NER工具。我们希望我们的工具可以帮助注释大规模的生物医学文本的各种任务，如生物医学知识图谱建设。
2022-10-06 cs.CL
Neon: News Entity-Interaction Extraction for Enhanced Question Answering
Max Planck Institute for Informatics（马克斯·普朗克信息学研究所）；Microsoft Research（微软研究院）
NEON框架通过从新闻中抽取新兴实体交互并构建带时间戳的实体中心知识图谱，将开放信息抽取元组集成到LLMs中实现上下文检索增强生成，从而显著提升时间敏感的实体问答性能。
2024-11-20 cs.CL cs.IR
TopExNet: Entity-Centric Network Topic Exploration in News Streams
Heidelberg University（海德堡大学）
最近引入的以实体为中心的隐式网络表示的非结构化文本提供了新的方式来探索文档集合和流中的实体关系，有效地和交互式。在这里，我们将TopExNet作为一种工具，用于探索新闻文章流中以实体为中心的网络主题。该应用程序作为Web服务在https://topexnet.ifi.uni-heidelberg.de/上提供。
2019-05-31 cs.CL
Learning to Extract Structured Entities Using Language Models
McGill University（麦吉尔大学）；Mila - Quebec AI Institute（米拉-魁北克人工智能研究所）；Microsoft Research（微软研究院）；ETH Zürich（苏黎世联邦理工学院）
本文提出以实体为中心的结构化实体抽取任务、AESOP 评估指标及多阶段 MuSEE 模型，实验表明其效果与效率优于基线。
2024-10-02 cs.CL cs.LG
TransferNet: An Effective and Transparent Framework for Multi-hop Question Answering over Relation Graph
Department of Computer Science and Technology, BNRist, Tsinghua University（清华大学计算机科学与技术系、BNRist）；Cloud BU, Huawei Technologies（华为技术有限公司云BU）；Nanyang Technological University（南洋理工大学）
多跳问答（QA）是一个具有挑战性的任务，因为它需要在每一步的答案与实体关系的精确推理。关系可以根据知识图谱中的标签来表示（例如，\textit{spouse}）或文本语料库中的文本（例如，\textit{they have been married for 26 years}）。现有的模型通常通过预测序列关系路径或聚集隐藏图特征来推断答案。前者很难优化，后者缺乏可解释性。在本文中，我们提出了TransferNet，一个有效的和透明的多跳QA模型，它支持在一个统一的框架中的标签和文本关系。TransferNet以多个步骤跨越实体。在每一步中，它关注问题的不同部分，计算关系的激活分数，然后以可微的方式沿着激活的关系传递先前的实体分数。我们在三个数据集上进行了广泛的实验，并证明了TransferNet在很大程度上超越了最先进的模型。特别是在MetaQA上，它在2跳和3跳问题中达到了100%的准确率。通过定性分析，我们表明，TransferNet具有透明和可解释的中间结果。
2021-10-10 cs.CL
Computer Science Named Entity Recognition in the Open Research Knowledge Graph
TIB Leibniz Information Centre for Science and Technology（莱布尼茨科学技术信息中心）
计算机科学（CS）学术文章上的领域特定命名实体识别（NER）是一项信息抽取任务，可以说对于可以困扰任务的各种注释目标来说更具挑战性，并且在一般领域中的NER研究较少。鉴于在净入学率方面已经取得了重大进展，我们相信，在未来几年，学术领域特定的净入学率将受到越来越多的关注。目前，这项工作的重点-CS NER的进展部分受到其新近出现和缺乏科学实体/术语的标准化注释目标的阻碍。这项工作提出了一个标准化的任务，通过定义一组七个贡献为中心的学术实体CS NER即，研究问题，解决方案，资源，语言，工具，方法和数据集。接下来，其主要贡献是：结合现有的CS NER资源，这些资源将其注释集中在我们考虑的以贡献为中心的学术实体的集合或子集上;此外，注意到需要大数据来训练神经NER模型，这项工作还从文章标题和摘要中提供了数千个以贡献为中心的实体注释，从而为CS NER释放了累积的大型新颖资源;最后，从一般域NER任务中训练出一个受最新神经结构启发的序列标记CS NER模型。在整个工作中，几个实际的考虑，这可能是有用的信息技术设计师的数字图书馆。
2022-11-14 cs.CL cs.DL cs.IR
Aiding Intra-Text Representations with Visual Context for Multimodal Named Entity Recognition
University of Insubria（因苏布里亚大学）
随着Twitter和Instagram等社交媒体的大规模爆炸，人们每天分享数十亿个包含图像和文本的多媒体帖子。通常，这些帖子中的文本简短，非正式和嘈杂，导致可以使用图像解决的歧义。在本文中，我们探讨了以文本为中心的命名实体识别任务，这些多媒体职位。我们提出了一个端到端的模型，学习一个文本和图像的联合表示。我们的模型扩展了多维自我注意技术，现在图像有助于增强单词之间的关系。实验表明，该模型能够更准确地捕获文本和视觉上下文，在Twitter多模态命名实体识别数据集上取得了最佳效果。
2019-04-02 cs.CL cs.CV
DOCENT: Learning Self-Supervised Entity Representations from Large Document Collections
U. of Southern California（南加州大学）；Google Research（谷歌研究院）
本文探讨了从大量的关联文本中学习丰富的自监督实体表示。一旦经过预训练，这些模型就可以应用于多个以实体为中心的任务，如排名检索、知识库完成、问答等。与其他仅基于句子中的局部上下文来获取自我监督信号的方法不同，我们从根本上扩展了上下文的概念，以包括与实体相关的任何可用文本。这使得一种新的强大的，高容量的表示，最终可以从多个文本源中提取有关实体的许多有用信息，而无需任何人为监督。我们提出了几种训练策略，与以前的方法不同，学习联合预测单词和实体-我们在TV-Movies领域的下游任务上进行实验比较的策略，例如来自用户评论和自然语言电影搜索的MovieLens标签预测。正如结果所证明的那样，我们的模型匹配或优于竞争基线，有时很少或根本没有微调，并且可以扩展到非常大的语料库。最后，我们公开我们的数据集和预训练模型。这包括Reviews 2 Movielens（见https://goo.gle/research-docent），将亚马逊电影评论（He和McAuley，2016）的多达1B单词语料库映射到MovieLens标签（Harper和Konstan，2016），以及Reddit电影建议（见https://urikz.github.io/docent）与自然语言查询和相应的社区推荐。
2021-02-26 cs.CL
CollabKG: A Learnable Human-Machine-Cooperative Information Extraction Toolkit for (Event) Knowledge Graph Construction
Beijing Jiaotong University（北京交通大学）
针对现有信息抽取工具包不支持多任务和自动更新等问题，提出可学习人机协作工具包CollabKG，统一NER、RE和EE任务，结合基于提示的IE技术实现低成本高性能，并显著提升标注质量、效率与稳定性。
2023-07-03 cs.CL
Improving Embedded Knowledge Graph Multi-hop Question Answering by introducing Relational Chain Reasoning
Shanghai University（上海大学）；Beijing University of Technology（北京工业大学）；Engineering Research Center of Intelligence Perception and Autonomous Control, Ministry of Education（教育部智能感知与自主控制工程研究中心）
知识图问答（Knowledge Graph知识图谱，KGQA）是通过识别主题实体与答案之间的推理关系，从知识图谱中回答用户提出的问题。作为KGQA的一个复杂分支任务，多跳KGQA需要在KG中保存的多跳关系链上进行推理以获得正确答案。尽管最近取得了成功，但现有的回答多跳复杂问题的工作仍然面临着以下挑战：i）缺乏反映在用户问题中的显式关系链顺序，这源于对用户意图的误解。ii）由于昂贵的标记成本，在数据集缺乏中间推理链注释的弱监督下不正确地捕获关系类型。（3）基于子图检索的算法由于邻域大小的限制，没有考虑结构化KG中隐含的主题实体和答案之间的隐含关系，针对多跳KGQA中的这些问题，本文提出了一种新的模型，即基于关系链的嵌入式KGQA（Rce-KGQA），该方法同时利用自然语言问题中揭示的显式关系链和结构化问题中存储的隐式关系链，KG.我们对三个开放域基准的广泛实证研究证明，我们的方法显着优于最先进的同行，如GraftNet，PullNet和EmbedKGQA。综合消融实验也验证了我们的方法在多跳KGQA任务的有效性。我们在github上提供了模型的源代码：https://github.com/albert-jin/Rce-KGQA。
2022-11-13 cs.CL
Event-QA: A Dataset for Event-Centric Question Answering over Knowledge Graphs
L3S Research Center, Leibniz Universität Hannover（莱布尼茨汉诺威大学L3S研究中心）
语义问答（QA）是一项重要的技术，可以帮助用户直观地访问存储在知识图谱中的语义信息。尽管大多数现有的QA系统和数据集都专注于以实体为中心的问题，但对这些系统在事件背景下的性能知之甚少。随着新的以事件为中心的知识图谱的出现，这些问题的数据集变得越来越重要。在本文中，我们提出了事件QA数据集回答事件为中心的问题在知识图谱。Event-QA包含1000个语义查询和EventKG的相应英语、德语和葡萄牙语动词化-EventKG是一个以事件为中心的知识图谱，包含超过97万个事件。
2020-08-05 cs.AI cs.CL
EntityCS: Improving Zero-Shot Cross-lingual Transfer with Entity-Centric Code Switching
City, University of London（伦敦大学城市学院）；Huawei Noah’s Ark Lab（华为诺亚方舟实验室）
语言之间的准确对齐是改进跨语言预训练语言模型（XLM）的基础。语码转换是一种有效的数据增强方法，它能在词或短语层面上提供语言对齐，而不是通过平行实例在句子层面上提供对齐。现有的方法要么使用字典，要么使用单词对齐的平行句子，通过随机切换句子中的单词来生成CS数据。然而，这样的方法可能是次优的，因为字典忽略语义，并且语法可能在随机单词切换之后变得无效。在这项工作中，我们提出了一种方法，专注于在不破坏语法的情况下，捕获细粒度的跨语言语义的代码切换。我们使用Wikidata和英文维基百科构建一个以实体为中心的CS语料库，通过切换实体到其他语言的对应物。我们进一步提出了面向实体的掩蔽策略，在中间模型训练期间的BattyCS语料库，以提高实体预测。对四个以实体为中心的下游任务的训练模型的评估显示，与基线相比，事实检索显著增加了10%。我们发布的语料库和模型，以协助研究的代码转换和丰富XLM与外部知识。
2023-02-13 cs.CL
EntSUM: A Data Set for Entity-Centric Summarization
Georgia Institute of Technology（佐治亚理工学院）；Bloomberg（彭博）
可控摘要旨在提供考虑用户指定方面和偏好的摘要，以更好地帮助他们满足信息需求，而不是构建文档的单个通用摘要的标准摘要设置。我们引入了一个人类注释的数据集EntSUM可控的总结，重点是命名实体的控制方面。我们进行了广泛的定量分析，以激励以实体为中心的摘要的任务，并表明，现有的可控摘要方法无法生成以实体为中心的摘要。我们提出了扩展国家的最先进的总结方法，实现更好的结果，我们的数据集。我们的分析和结果显示了这项任务和拟议的数据集的挑战性。
2022-04-05 cs.CL
Modeling Task Interactions in Document-Level Joint Entity and Relation Extraction
Emory University（埃默里大学）
我们的目标是在一个端到端的设置文档级的关系抽取，其中模型需要联合执行提及提取，共指消解（COREF）和关系抽取（RE）一次，并得到一个以实体为中心的方式进行评估。特别是，我们解决了COREF和RE之间的双向互动，还没有被以前的工作的重点，并建议引入明确的互动，即图兼容性（GC），是专门设计来利用任务的特点，桥接两个任务的直接任务干扰的决定。我们的实验在DocRED和DWIE上进行;除了GC之外，我们还实现并比较了以前工作中常用的不同多任务设置，包括管道，共享编码器，图形传播，以检查不同交互的有效性。结果表明，GC实现了最佳性能，比基线提高了2.3/5.1 F1。
2022-05-04 cs.CL cs.LG
Improving Coreference Resolution by Leveraging Entity-Centric Features with Graph Neural Networks and Second-order Inference
Fudan University（复旦大学）；Administrative Center of Shanghai R&D Public Service Platforms（上海市研发公共服务平台管理中心）
针对分散共指提及难以利用实体级特征的问题，提出 GNNCR：用图神经网络消息传递共享实体中心信息，并结合至多二阶全局推理聚类，在 CoNLL-2012 上接近最先进性能。
2023-07-24 cs.CL
Entity-Centric Contextual Affective Analysis
Carnegie Mellon University（卡内基梅隆大学）
虽然语境化的单词表征在许多NLP任务中改善了最先进的基准，但它们对面向社会的任务的潜在有用性在很大程度上仍未被探索。我们展示了如何语境化的词嵌入可以用来捕捉人物肖像中的影响维度。我们评估我们的方法，定量，支持的影响词汇，定性，通过案例。我们发现，语境化的词表示编码有意义的影响信息，但他们严重偏向于他们的训练数据，这限制了他们的有用性，在域分析。我们最终使用我们的方法来检查男性和女性的描绘差异。
2019-06-05 cs.CL
Does Entity Abstraction Help Generative Transformers Reason?
Quebec Artificial Intelligence Institute (Mila)（魁北克人工智能研究所（Mila））；Polytechnique Montreal（蒙特利尔理工学院）；ServiceNow Research（ServiceNow研究院）；McGill University（麦吉尔大学）
我们研究了将实体类型抽象纳入预先训练的Transformers的实用性，并在四个需要不同形式逻辑推理的NLP任务上测试这些方法：（1）基于文本的关系推理（CLUTRR）的组合语言理解，（2）溯因推理（ProofWriter），（3）多跳问答（HotpotQA），以及（4）会话问答（CoQA）。我们提出并经验性地探索了三种添加这种抽象的方法：（i）作为额外的输入嵌入，（ii）作为单独的编码序列，以及（iii）作为模型的辅助预测任务。总体而言，我们的分析表明，模型与抽象实体知识的表现优于没有它。最好的抽象感知模型实现了88.8%和91.8%的整体准确率相比，基线模型实现62.9%和89.8%的CLUTRR和ProofWriter分别。然而，对于HotpotQA和CoQA，我们发现F1分数平均只提高了0.5%。我们的研究结果表明，显式抽象的好处是显着的，在正式定义的逻辑推理设置需要许多推理跳，但点的概念，它是不太有益的NLP任务具有不太正式的逻辑结构。
2022-11-21 cs.AI cs.CL cs.LG
To Protect and To Serve? Analyzing Entity-Centric Framing of Police Violence
Georgia Institute of Technology（佐治亚理工学院）
框架对公众舆论和政策有着重大而微妙的影响。我们提出了一个NLP框架来衡量以实体为中心的框架。我们用它来了解新的警察暴力框架语料库中对美国警察暴力的媒体报道，该语料库包含82，000篇新闻文章，涉及7，000起警察杀戮事件。我们的工作揭示了十几种框架装置，并揭示了自由派和保守派新闻来源在警察暴力问题和所涉实体框架方面的重大差异。保守的消息来源强调，当受害者是武装或攻击一名官员，更有可能提到受害者的犯罪记录。自由派人士更关注潜在的系统性不公正，强调受害者的种族和他们手无寸铁。我们发现在这些不公正的帧附近的高调拍摄事件的临时峰值，最后，我们表明抗议量与媒体框架的决定相关，并在此之前。
2021-09-11 cs.CL
OraPlan-SQL: A Planning-Centric Framework for Complex Bilingual NL2SQL Reasoning
Oracle AI
针对复杂双语NL2SQL推理任务，提出以规划为核心的OraPlan-SQL框架，通过反馈引导元提示优化单规划器、实体链接解决多语言实体问题及规划多样化投票，在2025年Archer挑战赛中夺冠，准确率领先第二名超6%。
2025-10-27 cs.AI cs.CL
SentiBubbles: Topic Modeling and Sentiment Visualization of Entity-centric Tweets
University of Porto（波尔图大学）
社交媒体用户在对新闻事件做出反应时倾向于提及实体。这项工作的主要目的是每天创建以实体为中心的推文聚合。通过应用主题建模和情感分析，我们从以实体为中心的角度创建了关于当前事件和人们对这些事件的反应的数据可视化见解。
2018-01-23 cs.CL cs.IR cs.SI
DynamicER: Resolving Emerging Mentions to Dynamic Entities for RAG
Seoul National University（首尔大学）
针对RAG中新兴语言表达阻碍检索并导致幻觉的问题，提出DynamicER基准及具有持续适应能力的时间分段聚类方法，有效解析动态实体提及并提升RAG模型的QA性能。
2024-10-15 cs.AI cs.CL
Learning from Medical Entity Trees: An Entity-Centric Medical Data Engineering Framework for MLLMs
Key Laboratory of Multimedia Trusted Perception and Efficient Computing, Ministry of Education of China, Xiamen University, China（中国教育部多媒体可信感知与高效计算重点实验室，厦门大学，中国）；ByteDance（字节跳动）；Northeastern University（东北大学）
本文提出以实体为中心的医疗数据工程框架，通过构建医学实体树，提升多模态大语言模型在医疗领域的表现，通过实体引导检索、双重过滤和知识感知数据合成等方法，增强模型处理复杂临床问题的能力。
2026-04-28 cs.CL
