Implicit Entity Linking in Tweets
Kno.e.sis Center, Wright State University（莱特州立大学Kno.e.sis中心）；IBM Research（IBM研究院）
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。
2017-07-26 cs.AI cs.CL
NASTyLinker: NIL-Aware Scalable Transformer-based Entity Linker
University of Mannheim（曼海姆大学）
实体链接（EL）是检测文本中实体的提及并将其消歧到参考知识库的任务。最流行的EL方法假设参考知识库是完整的。然而，在实践中，有必要处理链接到知识库中不包含的实体（NIL实体）的情况。最近的工作表明，而不是只关注提及和实体之间的亲和力，考虑提及之间的亲和力可以用来表示NIL实体，通过产生集群的提及。同时，提及间关联可以帮助显著提高已知实体的链接性能。与NASTyLinker，我们引入了EL的方法，是知道的NIL实体，并产生相应的提到集群，同时保持高的链接性能为已知的实体。该方法基于来自Transformers的密集表示对提及和实体进行聚类，并通过计算传递提及-实体亲和度来解决冲突（如果多个实体被分配到聚类）。我们展示了NASTYLinker在NILK上的有效性和可扩展性，NILK是一个明确构建的数据集，用于评估EL相对于NIL实体。此外，我们将所提出的方法应用于实际EL任务，即通过链接维基百科列表中的实体来实现知识图谱人口，并对结果进行分析。
2023-03-13 cs.AI cs.CL cs.IR
Improving Entity Linking by Modeling Latent Relations between Mentions
University of Edinburgh（爱丁堡大学）；University of Amsterdam（阿姆斯特丹大学）
实体链接涉及将命名实体的文本提及与知识库中相应的条目对齐。实体链接系统经常利用文档中的文本提及之间的关系（例如，共同引用）以决定链接决定是否兼容。与以前的方法不同，这些方法依赖于监督系统或统计学来预测这些关系，我们将关系视为神经实体链接模型中的潜在变量。我们在没有任何监督的情况下诱导关系，同时以端到端的方式优化实体链接系统。我们的多关系模型在标准基准测试（AIDA-CoNLL）中获得了最好的报告分数，并且大大优于其关系不可知版本。它的训练也收敛得更快，这表明注入的结构偏差有助于解释训练数据中的错误。
2018-04-27 cs.CL
Towards Consistent Document-level Entity Linking: Joint Models for Entity Linking and Coreference Resolution
Ghent University（根特大学）；imec（比利时微电子研究中心）
我们考虑的任务，文档级的实体链接（EL），这是很重要的，以作出一致的决定，实体提到了整个文件联合。我们的目标是利用明确的“连接”之间的文件本身的提及：我们建议加入EL任务的共指消解（coref）。这是对利用（i）隐式文档信息（例如，实体提及之间的潜在关系或通用语言模型）或（ii）候选链接之间的连接（例如，从外部知识库推断）。具体来说，我们集群提到通过共指链接，并强制执行一个单一的EL所有集群提到在一起。后一种约束具有通过加入EL候选列表以用于因此聚类的提及而增加覆盖的附加益处。我们将coref+EL问题表示为有向树上的结构化预测任务，并使用全局规范化模型来解决它。在两个数据集上的实验结果显示，与单独的对应任务相比，coref和EL任务的F1得分都提高了+5%。对于困难情况的子集，在候选实体列表中缺少正确EL的个体提及，我们获得了+50%的准确性增加。
2022-07-02 cs.CL
WikiGUM: Exhaustive Entity Linking for Wikification in 12 Genres
Georgetown University（乔治城大学）
实体链接以前的工作集中在针对非嵌套的正确命名实体提及的资源上，通常在维基百科的数据中，即维基化。在本文中，我们提出并评估WikiGUM，一个完全维基化的数据集，涵盖所有提及的命名实体，包括其非命名和代词提及，以及嵌套在其他提及。该数据集涵盖了广泛的12种书面和口语类型，其中大部分尚未纳入实体链接工作，导致我们评估中预训练的SOTA系统表现不佳。对于相同数据的各种其他注释的可用性也使得能够进一步研究上下文中的实体。
2021-09-15 cs.CL
CLaCLab at SocialDisNER: Using Medical Gazetteers for Named-Entity Recognition of Disease Mentions in Spanish Tweets
CLaC Labs（CLaC实验室）；Concordia University（康考迪亚大学）
本文总结了CLaC提交的SMM4H 2022任务10，该任务涉及识别西班牙推文中提到的疾病。在对每个标记进行分类之前，我们使用多语言RoberTa Large、UMLS地名词典和DISTEMIST地名词典等中的功能，使用Transformer编码器对每个标记进行编码。我们得到严格的F1得分为0.869，竞争平均值为0.675，标准差为0.245，中位数为0.761。
2022-09-13 cs.AI cs.CL cs.LG
MOLEMAN: Mention-Only Linking of Entities with a Mention Annotation Network
Google Research（谷歌研究院）
我们提出了一个基于实例的最近邻实体链接方法。与大多数先前的实体检索系统，表示每个实体与一个单一的向量相比，我们建立了一个上下文提到编码器，学习放置类似的提到同一实体更接近的向量空间比提到不同的实体。这种方法允许实体的所有提及充当“类原型”，因为推理涉及从训练集中的标记实体提及的全集中检索并应用最近提及邻居的实体标签。我们的模型在来自维基百科超链接的提及对的大型多语言语料库上进行训练，并对7亿次提及的索引进行最近邻推理。它更容易训练，给出更多可解释的预测，并在两个多语言实体链接基准上优于所有其他系统。
2022-07-22 cs.CL cs.IR cs.LG
A Read-and-Select Framework for Zero-shot Entity Linking
Harbin Institute of Technology (Shenzhen)（哈尔滨工业大学（深圳））
本文提出读取-选择（ReS）框架，通过提及-实体匹配和跨实体比较改进零样本实体链接的候选排序，在ZESHEL数据集上以2.55%的准确率提升达到最先进性能，且无需繁重预训练。
2023-10-29 cs.CL
A FOFE-based Local Detection Approach for Named Entity Recognition and Mention Detection
York University（约克大学）
本文研究了自然语言处理中命名实体识别和提及检测的一种新方法。我们提出了一种新的局部检测方法，而不是将NER视为序列标签问题，该方法依赖于最近的固定大小顺序遗忘编码（FOFE）方法，将每个句子片段及其左/右上下文完全编码为固定大小的表示。然后，使用简单的前馈神经网络来拒绝或预测每个单独片段的实体标签。所提出的方法已经在几个流行的NER和提及检测任务中进行了评估，包括CoNLL 2003 NER任务和TAC-KBP 2015和TAC-KBP 2016三语实体发现和链接（EDL）任务。我们的方法在所有这些检查任务中都取得了相当好的效果。与传统的序列标记方法相比，这种局部检测方法具有许多优点。
2016-11-02 cs.CL
EDIN: An End-to-end Benchmark and Pipeline for Unknown Entity Discovery and Indexing
Meta AI；Center for Information and Language Processing, LMU Munich（慕尼黑大学信息与语言处理中心）
实体链接的现有工作大多假设参考知识库是完整的，因此所有提及都可以链接。在实践中，情况几乎从来不是这样，因为知识基础是不完整的，因为新的概念不断出现。本文创建了未知实体发现和索引（EDIN）基准，其中未知实体，即知识库中没有描述和标记提及的实体，必须集成到现有的实体链接系统中。通过对比EDIN与zero-shot实体链接，我们提供了它带来的额外挑战的见解。建立在基于密集检索的实体链接，我们引入了端到端的EDIN管道，检测，集群，并索引上下文中的未知实体。实验表明，索引一个单一的嵌入每个实体统一的信息，多个提到的工作比索引提到独立。
2022-05-25 cs.CL
Clustering-based Inference for Biomedical Entity Linking
College of Information and Computer Sciences University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校信息与计算机科学学院）；Chan Zuckerberg Initiative（陈-扎克伯格倡议）
由于生物医学知识库中存在大量的实体，只有一小部分实体具有相应的标记训练数据。这就需要实体链接模型，这些模型能够使用学习到的实体表示来链接提到的不可见实体。以前的方法独立地链接每个提及，忽略了实体提及之间的文档内和跨文档的关系。这些关系对于生物医学文本中的链接提及非常有用，其中链接决定通常很困难，因为提及具有通用或高度专业化的形式。在本文中，我们介绍了一个模型，在该模型中，不仅可以通过链接到一个知识库实体，但也通过分组多个提到一起，通过聚类和共同作出链接预测的链接决策。在最大的公开生物医学数据集上的实验中，我们将实体链接的最佳独立预测提高了3.0个点的准确性，并且我们基于聚类的推理模型进一步提高了实体链接2.3个点。
2021-04-08 cs.CL
BoningKnife: Joint Entity Mention Detection and Typing for Nested NER via prior Boundary Knowledge
Peking University（北京大学）；Microsoft Azure AI（微软Azure人工智能）；Harbin Institute of Technology（哈尔滨工业大学）；Microsoft Research（微软研究院）
命名实体识别是自然语言处理中的一项关键任务，但大多数方法只针对平面实体，而忽略了许多场景中常见的嵌套结构。现有的嵌套实体识别方法大多遍历所有子序列，不仅代价高，效率低，而且没有很好地考虑对嵌套实体有重要意义的边界知识。在本文中，我们提出了一个联合实体提及检测和分类模型，通过先验边界知识（BoningKnife），以更好地处理嵌套NER提取和识别任务。BoningKnife由两个模块组成，MentionTagger和TypeClassifier。MentionTagger更好地利用边界知识，而不仅仅是实体开始/结束，以改善对嵌套级别和更长跨度的处理，同时生成高质量的提及候选项。TypeClassifier利用两级注意力机制来解耦不同嵌套级别的表示，并更好地区分实体类型。我们共同训练两个模块共享一个共同的表示和一个新的双信息关注层，这导致改进的表示集中在实体相关的信息。在不同数据集上的实验表明，我们的方法优于以前的最先进的方法，并取得86.41，85.46和94.2 F1分数ACE 2004，ACE 2005和NNE，分别。
2021-07-20 cs.CL
Multilingual Autoregressive Entity Linking
Facebook AI（Facebook人工智能研究院）；University of Amsterdam（阿姆斯特丹大学）；University of Washington（华盛顿大学）；University College London（伦敦大学学院）
我们提出mGENRE，序列到序列系统的多语言实体链接（MEL）问题-解决特定语言提到的多语言知识库（KB）的任务。对于给定语言中的提及，mGENRE以自回归方式从左到右逐个标记地预测目标实体的名称。自回归公式使我们能够有效地交叉编码提及字符串和实体名称，以捕获比提及和实体向量之间的标准点积更多的交互。它还支持在大KB内快速搜索，即使是没有出现在提及表中的提及，也不需要大规模的矢量索引。虽然以前的MEL工作对每个实体使用单个表示，但我们匹配尽可能多语言的实体名称，这允许利用源输入和目标名称之间的语言联系。此外，在完全没有训练数据的语言的zero-shot设置中，mGENRE将目标语言视为在预测时被边缘化的潜在变量。这导致平均精度提高了50%以上。我们通过广泛的评估，包括三个流行的MEL基准实验，其中mGENRE建立新的国家的最先进的结果，我们的方法的有效性。代码和预先训练的模型在https://github.com/facebookresearch/GENRE。
2021-03-23 cs.AI cs.CL stat.ML
Boosting Entity Mention Detection for Targetted Twitter Streams with Global Contextual Embeddings
Binghamton University（宾汉姆顿大学）；Temple University（天普大学）
像Twitter这样的微博客网站已经成为无处不在的信息来源。微博信息自动提取和分析的两个重要任务是实体提及检测和实体检测。最先进的EMD系统旨在通过在离线静态数据集上训练来对微博文本的非文学性质进行建模。它们从单个消息中提取表面级特征（拼写、词汇和语义）的组合，用于噪声文本建模和实体提取。但是，鉴于微博流的不断发展的性质，从这种变化但有限的短消息上下文中检测所有实体提及仍然是一个困难的问题。为此，我们提出了一个名为EMD Globalizer的框架，更适合于EMD学习者在微博流上的执行。它偏离了现有EMD系统对孤立微博消息的处理，在现有EMD系统中，从消息的直接上下文中学习到的知识用于建议实体。在EMD系统初始提取实体候选者之后，所提出的框架利用发生挖掘来找到在第一次检测期间错过的其他候选者提及。聚合这些提及的局部上下文表示，从流内的实体候选的集体上下文中提取全局嵌入。然后，利用全局嵌入将候选者中的实体与误报分离。流中提到的所有实体都在框架的最终输出中产生。我们的实验表明，EMD Globalizer可以提高我们测试的所有现有EMD系统的有效性（平均提高25.61%），只需少量额外的计算开销。
2022-01-28 cs.CL
Fine-Grained Entity Typing for Domain Independent Entity Linking
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
神经实体链接模型非常强大，但存在过度拟合其训练领域的风险。对于这个问题，一个域的特征不仅在于文本的类型，甚至还在于实体的特定分布等特定因素，因为神经模型往往会通过记忆数据集中频繁实体的属性来过拟合。我们解决的问题，建立强大的实体链接模型，有效地推广，不依赖于标记的实体链接数据与特定的实体分布。我们的方法不是直接预测实体，而是对细粒度的实体属性进行建模，这可以帮助消除甚至密切相关的实体之间的歧义。我们从Wikipedia分类中获得大量的类型（数万个），并使用Wikipedia中的超链接提及来远程标记数据并训练实体类型模型。在测试时，我们使用此类型模型对提及进行分类，并使用软类型预测将提及链接到最相似的候选实体。我们在CoNLL-YAGO数据集上评估我们的实体链接系统（Hoffart等人，2011），并表明我们的方法优于以前的域独立的实体链接系统。我们还在来自WikilinksNED数据集的更难的设置中测试了我们的方法（Eshel等人，2017），其中所有提及实体对在测试时间期间是不可见的。结果表明，我们的方法比数据集上最先进的神经模型更好地推广。
2020-01-08 cs.AI cs.CL cs.LG
Learn to Not Link: Exploring NIL Prediction in Entity Linking
Tsinghua University（清华大学）；Institute for Artificial Intelligence, Tsinghua University（清华大学人工智能研究院）；Peking University（北京大学）
本文针对实体链接中NIL预测问题，提出数据集NEL，将NIL提及分为缺失实体和非实体短语，并通过实验证明两类NIL训练数据对预测准确率有显著影响。
2023-05-25 cs.CL
Learning to Select the Next Reasonable Mention for Entity Linking
School of Artificial Intelligence, University of Chinese Academy of Sciences（中国科学院大学人工智能学院）；National Laboratory of Pattern Recognition, Institute of Automation, CAS（中国科学院自动化研究所模式识别国家重点实验室）；Beijing Fanyu Technology Co., Ltd（北京梵语科技有限公司）
实体链接的目的是在文档中提到的实体与知识图谱中对应的实体之间建立链接。以往的工作表明，实体联系的全球一致性是有效的。然而，大多数现有的基于顺序决策的全局链接方法都集中在如何利用先前链接的实体来增强后续决策。在这些方法中，提到的顺序是固定的，使得模型无法根据先前链接的结果来调整后续的链接目标，这将导致先前的信息被不合理地利用。为了解决这个问题，我们提出了一种新的模型，称为DyMen，通过强化学习，根据先前链接的实体动态调整后续的链接目标，使模型能够选择一个链接目标，可以充分利用先前链接的信息。我们通过滑动窗口对提及进行采样，以减少强化学习的动作采样空间，并保持提及的语义一致性。在多个基准数据集上的实验表明了该模型的有效性。
2021-12-08 cs.CL
Reveal the Unknown: Out-of-Knowledge-Base Mention Discovery with Entity Linking
University of Oxford（牛津大学）；The University of Manchester（曼彻斯特大学）；Nankai University（南开大学）
针对知识库外实体提及发现任务，提出基于BERT的BLINKout方法，通过NIL实体匹配及剪枝版本化策略构建数据集，在五个数据集上优于现有方法。
2023-09-01 cs.CL
Entity Linking via Dual and Cross-Attention Encoders
University of Pennsylvania（宾夕法尼亚大学）；Google Research（谷歌研究院）
实体链接有两个主要的开放研究领域：1）生成候选实体而不使用别名表，2）为提及和实体生成更多的上下文表示。最近，对于前者已经提出了作为双编码器实体检索系统的解决方案（Gillick等人，2019），它学习同一空间中的提及和实体表示，并通过选择与该空间中的提及最近的实体来执行链接。在这项工作中，我们只使用这个检索系统生成候选实体。然后，我们通过使用交叉注意编码器对目标提及和每个候选实体进行重新排序。而双编码器方法强制所有信息包含在用于表示提及和实体的小的、固定的向量维度集合中，交叉注意模型允许使用来自每个<提及，上下文，候选实体>元组的全部的详细信息（读：特征）。我们实验的reranker中使用的功能，包括不同的方式，将文档级的上下文。我们在TACKBP-2010数据集上获得了最先进的结果，准确率为92.05%。此外，我们还展示了在更大的CoNLL-2003数据集上训练并在TACKBP-2010上评估时，重新评分模型如何很好地泛化。
2020-04-07 cs.CL
Entity Linking and Discovery via Arborescence-based Supervised Clustering
College of Information and Computer Sciences（信息与计算机科学学院）；University of Massachusetts Amherst（马萨诸塞大学阿默斯特分校）
以前的工作已经显示出有希望的结果，在执行实体链接，不仅测量提到和实体之间的亲和力，但也提到。在本文中，我们提出了新的训练和推理程序，通过构建最小树状结构（即，有向生成树）在跨文档的提及和实体上，以便做出链接决定。我们还表明，这种方法优雅地扩展到实体发现，使集群的提及，没有一个相关的实体在知识库中。我们评估了我们的方法在Zero-Shot Entity Linking数据集和MedMentions（最大的公开生物医学数据集）上的结果，与相同参数化模型相比，实体链接和发现的性能都有显着提高。我们进一步显示了显着的效率提高，只有一个小的损失，在以前的工作，使用更昂贵的计算模型的准确性。
2022-05-10 cs.CL cs.LG
DWIE: an entity-centric dataset for multi-task document-level information extraction
Ghent University（根特大学）；imec；IDLab
本文介绍了DWIE，“德国之声语料库信息抽取”，一个新创建的多任务数据集，结合了四个主要的信息抽取（IE）注释子任务：（i）命名实体识别（NER），（ii）共指消解，（iii）关系抽取（RE），和（iv）实体链接。DWIE被认为是一个以实体为中心的数据集，它描述了完整文档级别上概念实体的交互和属性。这与目前占主导地位的提及驱动的方法，从单个句子中的命名实体提及的检测和分类开始。此外，DWIE在构建和评估IE模型时提出了两个主要挑战：首先，在以实体为中心的DWIE数据集上使用传统的提及级评估指标进行NER和RE任务，可能会导致测量结果被更频繁提及的实体的预测所主导。我们通过提出一个新的实体驱动的度量来解决这个问题，该度量考虑了组成每个预测和地面真实实体的提及次数。其次，文档级多任务注释要求模型在位于文档不同部分的实体提及之间以及不同任务之间在联合学习设置中传输信息。为了实现这一点，我们建议在文档级提及跨度之间使用基于图的神经消息传递技术。我们的实验表明，当将神经图传播纳入我们的联合模型时，F1的改进高达5.5个百分点。这表明DWIE的潜力，刺激进一步研究图神经网络的表示学习在多任务IE。我们在https://github.com/klimzaporojets/DWIE上公开提供DWIE。
2021-03-09 cs.CL
E2EET: From Pipeline to End-to-end Entity Typing via Transformer-Based Embeddings
The University of Western Australia（西澳大学）
实体分类（Entity Typing，ET）是识别语料库中每个实体的语义类型的过程。与命名实体识别不同，句子中的每个标记都标有零个或一个类标签，ET涉及用一个或多个类标签标记每个实体。现有的实体分类模型，在提到的水平，是有限的，由两个关键因素：他们不使用最近提出的上下文相关的嵌入，并在固定的上下文窗口上训练。因此，它们对窗口大小的选择很敏感，并且无法包含整个文档的上下文。鉴于这些缺点，我们建议将上下文使用基于transformer的嵌入用于提及级模型，以及使用Bi-GRU的端到端模型来消除对窗口大小的依赖。一项广泛的消融研究表明，上下文嵌入的有效性，提及级模型和竞争力，我们的端到端模型的实体类型。
2020-03-23 cs.CL
TMR: Evaluating NER Recall on Tough Mentions
Brandeis University（布兰迪斯大学）
我们提出了强硬的提及召回（TMR）指标，以补充传统的命名实体识别（NER）的评价，通过检查召回的特定子集的“强硬”提到：看不见的提及，那些令牌或令牌/类型组合没有观察到的训练，和类型混淆的提及，令牌序列与多个实体类型的测试数据。我们证明了这些指标的有用性，通过评估语料库的英语，西班牙语和荷兰语使用最近的五个神经架构。我们确定的BERT和天赋的性能之间的细微差别，在两个英语NER语料库，并确定在西班牙语中的当前模型的性能的弱点。我们的结论是，TMR指标可以区分其他类似的评分系统和识别模式的性能，将从整体精度，召回率和F1被忽视。
2021-03-23 cs.AI cs.CL
MuVER: Improving First-Stage Entity Retrieval with Multi-View Entity Representations
Zhejiang University（浙江大学）；Alibaba Group（阿里巴巴集团）
实体检索是自然语言处理中的一项重要任务，其目的是从大量知识库中消除对规范实体的歧义。实体检索的最新进展表明，双编码器结构是一个强大而有效的框架，提名候选人，如果实体只确定的描述。但是，他们忽略了实体提及的意义在不同的语境中是不同的，并且与描述的各个部分相关，这在以前的作品中是平等对待的。在这项工作中，我们提出了多视图实体表示（MuVER），一种新的实体检索方法，构建多视图表示实体描述和近似的最佳视图通过启发式搜索方法提到。我们的方法在ZESHEL上达到了最先进的性能，并在三个标准实体链接数据集上提高了候选项的质量
2021-09-13 cs.CL
SU-NLP at SemEval-2022 Task 11: Complex Named Entity Recognition with Entity Linking
Sabancı University（萨班哲大学）
本文介绍了由萨班斯大学自然语言处理小组在SemEval-2022 MultiCoNER任务中提出的系统。我们开发了一个无监督的实体链接管道，它可以在维基百科的帮助下检测潜在的实体提及，并使用相应的维基百科上下文来帮助分类器找到该提及的命名实体类型。我们的结果表明，我们的管道显着提高了性能，特别是对于低上下文环境中的复杂实体。
2022-03-22 cs.CL
KGMEL: Knowledge Graph-Enhanced Multimodal Entity Linking
KAIST（韩国科学技术院）；Hanyang University（翰林大学）
KGMEL利用知识图谱三元组增强多模态实体链接，通过生成、检索和重排序三阶段框架，在基准数据集上超越现有方法。
2025-04-21 cs.AI cs.CL cs.IR
Knowledge-Rich Self-Supervision for Biomedical Entity Linking
Microsoft Research（微软研究院）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
实体链接面临着巨大的挑战，如多产的变化和普遍的歧义，特别是在高价值的领域与无数的实体。标准的分类方法受到注释瓶颈的影响，不能有效地处理不可见的实体。Zero-shot实体链接已经成为推广到新实体的一个有前途的方向，但它仍然需要在训练期间提到的示例黄金实体和对所有实体的规范描述，这两者在维基百科之外很少可用。在本文中，我们探讨知识里奇自我监督（$\tt KRISS$）的生物医学实体链接，利用现成的领域知识。在训练中，它使用领域本体在未标记文本上生成自监督提及示例，并使用对比学习训练上下文编码器。对于推理，它将自监督提及作为每个实体的原型进行采样，并通过将测试提及映射到最相似的原型来进行链接。我们的方法可以很容易地将实体描述和黄金提到标签，如果可用的话。我们对涵盖生物医学文献和临床笔记的七个标准数据集进行了广泛的实验。在不使用任何标记信息的情况下，我们的方法产生$\tt KRISSBERT$，这是一个通用的实体链接器，用于400万个UMLS实体，达到了最新的技术水平，在准确性上超过了之前的自监督方法20个绝对点。
2022-05-23 cs.CL
E.T.: Entity-Transformers. Coreference augmented Neural Language Model for richer mention representations via Entity-Transformer blocks
Aristotle University of Thessaloniki（塞萨洛尼基亚里士多德大学）
在过去的十年中，神经语言建模领域发生了巨大的变化，通过使用Transformer架构开发了新的模型。然而，由于存储器约束和增加的计算复杂性，即使这些模型也难以对长序列进行建模。训练数据上的共指注释可以提供远远超出这种语言模型的建模限制的上下文。在本文中，我们对神经语言模型中使用的Transformer-block架构进行了扩展，特别是在GPT 2中，以便在训练过程中加入实体注释。我们的模型，GPT 2 E，扩展了Transformer层架构的GPT 2的multity-transformers，一个架构，旨在处理共指信息时，存在。为此，我们实现了更丰富的实体提及的表示，与微不足道的培训成本。我们在CoNLL 2012和LAMBADA数据集上展示了GPT 2和GPT 2 E之间的比较模型性能，以及实体表示的关键差异及其在下游任务（如命名实体识别）中的影响。此外，我们的方法可以通过大多数基于transformer的语言模型。
2020-11-10 cs.CL cs.LG
Joint Learning of Named Entity Recognition and Entity Linking
Instituto de Telecomunicações（电信研究所）；Priberam Labs（Priberam实验室）；Institute of Systems and Robotics（系统与机器人研究所）；Unbabel
命名实体识别（NER）和实体链接（EL）是两个基本相关的任务，因为为了执行EL，首先必须检测对实体的提及。然而，大多数实体链接方法忽略提及检测部分，假设先前已经检测到正确的提及。在本文中，我们执行NER和EL的联合学习，以利用它们的相关性，并获得一个更强大和可推广的系统。为此，我们引入了一个受Stack-LSTM方法启发的模型（Dyer et al.，2015年）。我们观察到，事实上，与使用单个目标训练的模型相比，对NER和EL进行多任务学习可以提高这两项任务的性能。此外，我们在NER和EL方面都取得了与最先进水平相竞争的结果。
2019-07-18 cs.CL
End-to-End Neural Entity Linking
ETH Zürich（苏黎世联邦理工学院）
实体链接是语义文本理解和信息抽取的一项重要任务。流行的方法分别解决EL的提及检测（MD）和实体消歧（ED）阶段，而不利用它们的相互依赖性。我们在这里提出了第一个神经端到端EL系统，共同发现和链接文本文档中的实体。其主要思想是将所有可能的跨度视为潜在的提及，并在其实体候选项上学习上下文相似性分数，这对MD和ED决策都很有用。关键组件是上下文感知提及嵌入，实体嵌入和概率提及-实体映射，而不需要其他工程特性。经验上，我们表明，我们的端到端的方法显着优于流行的系统在沙鼠平台上有足够的训练数据。相反，如果测试数据集与训练集相比遵循不同的注释约定（例如查询/推文与新闻文档），则我们的ED模型与传统的NER系统相结合，可以提供最佳或第二佳的EL准确性。
2018-08-29 cs.CL
Towards Better Entity Linking with Multi-View Enhanced Distillation
Institute of Information Engineering, Chinese Academy of Sciences（中国科学院信息工程研究所）；School of Cyber Security, University of Chinese Academy of Sciences（中国科学院大学网络空间安全学院）；Microsoft（微软）
本文提出多视图增强蒸馏（MVD）框架，通过将实体拆分为多个视图并设计交叉对齐与自对齐机制，把交叉编码器的细粒度知识蒸馏到双编码器，同时保留全局视图，在多个实体链接基准上取得最优性能。
2023-05-27 cs.CL
Fast and Effective Biomedical Entity Linking Using a Dual Encoder
Rutgers University–New Brunswick（罗格斯大学新伯朗士威校区）；Hasso Plattner Institute（哈索·普拉特纳研究所）；University of Potsdam（波茨坦大学）
生物医学实体链接是识别文本文档中提到的生物医学概念并将其映射到目标词库中的规范实体的任务。使用基于BERT的模型的实体链接的最新进展遵循检索和重新排序范例，其中候选实体首先使用检索器模型进行选择，然后检索到的候选实体由重新排序器模型进行排序。虽然这种范例产生了最先进的结果，但它们在训练和测试时都很慢，因为它们一次只能处理一个提及。为了缓解这些问题，我们提出了一种基于BERT的双编码器模型，可以一次性解决文档中的多个提及。我们表明，我们提出的模型比现有的基于BERT的模型快数倍，同时在生物医学实体链接的准确性方面具有竞争力。此外，我们修改了我们的双编码器模型的端到端的生物医学实体链接，执行提及跨度检测和实体消歧，并优于最近提出的两个模型。
2021-03-08 cs.CL
Document-level Relation Extraction with Context Guided Mention Integration and Inter-pair Reasoning
Hunan Normal University（湖南师范大学）；Changsha University of Science & Technology（长沙理工大学）
文档级关系抽取（DRE）的目的是识别两个实体之间的关系。实体可以对应于跨越句子边界的多个提及。以前很少有研究探讨提及整合，这可能是有问题的，因为共指提及并不等同于一个特定的关系。此外，以前的努力主要集中在实体级的推理，而不是捕捉实体对之间的全局交互。在本文中，我们提出了两个新的技术，上下文引导提及集成和对间推理（CGM2IR），以提高DRE。与简单地应用平均池不同，上下文被用来以加权和的方式指导共指提及的整合。此外，对间推理在实体对图上执行迭代算法，以便对关系的相互依赖性进行建模。我们在三个广泛使用的基准数据集上评估了我们的CGM2IR模型，即DocRED，CDR和GDA。实验结果表明，我们的模型优于以前的国家的最先进的模型。
2022-01-13 cs.CL
Software Mention Recognition with a Three-Stage Framework Based on BERTology Models at SOMD 2024
University of Information Technology - VNUHCM（胡志明市国家大学信息科技大学）；Vietnam National University, Ho Chi Minh City（胡志明市国家大学）
本文提出基于BERT、SciBERT和XLM-R的三阶段NER框架，通过句子分类、实体抽取和类型分类解决学术文献中的软件提及识别问题，在SOMD 2024子任务I中以67.80%加权F1分数获得第3名。
2024-04-23 cs.AI cs.CL cs.SE
KGSynNet: A Novel Entity Synonyms Discovery Framework with Knowledge Graph
Ping An Life Insurance Company of China, Ltd.（中国平安人寿保险股份有限公司）；BDBC, Beihang University（北京航空航天大学大数据科学与脑机智能高精尖创新中心）
实体同义词发现对于实体利用应用程序至关重要。然而，现有的研究遭受了几个关键问题：（1）输入提到可能是词汇表外（OOV），可能来自不同的语义空间的实体;（2）之间的联系可能是隐藏的，不能建立表面匹配;（3）一些实体很少出现，由于长尾效应。为了应对这些挑战，我们促进知识图谱，并提出了一个新的实体同义词发现框架，命名为\emph{KGSynNet}。具体来说，我们使用大规模特定领域语料库预训练提及和实体的子词嵌入，同时通过联合transC-transE模型学习实体的知识嵌入。更重要的是，为了获得一个全面的实体表示，我们采用了一个专门设计的\emph{fusion gate}自适应吸收实体的知识信息到他们的语义特征。我们进行了大量的实验，以证明我们的\emph{KGSynNet}在利用知识图谱的有效性。实验结果表明，\emph{KGSynNet}在离线评估中的命中率@3方面比现有方法提高了14.7%，在问答系统实体链接模块的在线A/B测试中的正反馈率方面比BERT模型提高了8.3%.
2021-04-01 cs.AI cs.CL
An End-to-end Model for Entity-level Relation Extraction using Multi-instance Learning
RheinMain University of Applied Sciences（莱茵曼应用科学大学）
我们提出了一个联合模型的实体级关系抽取的文件。与其他方法相比-专注于本地句内提及对，因此需要在提及级别上进行注释-我们的模型在实体级别上操作。为此，遵循多任务方法，该方法建立在共指消解的基础上，并通过具有结合全局实体和本地提及信息的多级别表示的多实例学习来收集相关信号。我们在DocRED数据集上实现了最先进的关系抽取结果，并报告了第一个实体级端到端关系抽取结果以供将来参考。最后，我们的实验结果表明，联合方法与特定任务学习相当，但由于共享参数和训练步骤而更有效。
2021-12-03 cs.CL
Optimizing Bi-Encoder for Named Entity Recognition via Contrastive Learning
Microsoft Research（微软研究院）
我们提出了一个双编码器框架命名实体识别（NER），它适用于对比学习映射候选文本跨度和实体类型到同一个向量表示空间。以前的工作主要是接近NER序列标记或跨度分类。相反，我们框架NER作为一个表示学习的问题，最大限度地提高了实体提及和其类型的向量表示之间的相似性。这使得它很容易处理嵌套和平坦的NER，并且可以更好地利用嘈杂的自我监督信号。这种用于NER的双编码器公式化的主要挑战在于将非实体跨度与实体提及分开。而不是显式地标记为同一类$\texttt{Outside}$（$\texttt{O}$）的所有非实体跨度在大多数现有的方法，我们引入了一种新的动态阈值损失。实验表明，我们的方法在监督和远程监督设置中表现良好，对于嵌套和平面NER一样，在一般领域的标准数据集上建立了新的技术水平（例如，ACE 2004，ACE 2005）和高价值的垂直行业，如生物医药（例如，GENIA，NCBI，BC5CDR，JNLPBA）。我们在github.com/microsoft/binder上发布代码。
2023-02-23 cs.AI cs.CL
Overview of CAPITEL Shared Tasks at IberLEF 2020: Named Entity Recognition and Universal Dependencies Parsing
Cardiff University（卡迪夫大学）
我们介绍了在IberLEF 2020竞赛系列的背景下举行的CAPITEL-EVAL共享任务的结果。CAPITEL-EVAL由两个子任务组成：（1）命名实体识别和分类;（2）通用依存句法分析。两者的源数据都是一个新注释的语料库CAPITEL，一个新闻领域的西班牙语文章的集合。共有7个团队参加了CAPITEL-EVAL，在所有子任务中共提交了13次运行。有关该任务的数据、结果和更多信息，请访问sites.google.com/view/capitel2020。
2020-11-11 cs.CL
EntQA: Entity Linking as Question Answering
Rutgers University（罗格斯大学）
实体链接的传统方法是首先在给定文档中找到提及，然后在知识库中推断它们的底层实体。这种方法的一个众所周知的局限性是，它需要在不知道它们的实体的情况下找到提及，这是不自然和困难的。我们提出了一个新的模型，不受此限制称为EntQA，它代表实体链接作为问答。EntQA首先使用快速检索模块提出候选实体，然后使用强大的阅读器模块仔细检查文档以找到每个候选实体的提及。我们的方法结合了实体链接与开放领域问答的进展，并利用预训练模型进行密集实体检索和阅读理解。与以前的作品不同，我们不依赖于候选人词典或大规模的弱监督。EntQA在GERBIL基准测试平台上取得了优异的成绩。
2022-03-07 cs.CL cs.LG
An Operator for Entity Extraction in MapReduce
Carnegie Mellon University（卡内基梅隆大学）
基于词典的实体提取涉及查找文本中的词典实体的提及。提到的文本通常是嘈杂的，包含虚假或缺失的单词。用于检测近似实体提及的有效算法遵循两种一般技术之一。第一种方法是在实体上构建索引并执行文档子字符串的索引查找。第二种方法认识到，从文档生成的子串的数量可能会爆炸到很大的数字，为了解决这个问题，他们使用过滤器来修剪许多不匹配任何字典实体的子串，然后通过文本连接只验证剩余的子串，如果它们是字典实体的实体提及。在基于索引的方法和基于过滤和验证的方法之间的选择是一个逐例的决定，因为最佳方法取决于输入实体字典的特性，例如实体提及的频率。为设置选择正确的方法可以在执行时间上产生很大的差异。然而，做出这种选择是不平凡的，因为在每种方法中存在使可能的方法的空间非常大的参数。在本文中，我们提出了一个基于成本的运营商，使实体提取的执行计划之间的选择。由于我们需要处理大型字典甚至更大的大型数据集，我们的操作符是为MapReduce分布式算法的实现而开发的。
2015-12-15 cs.CL cs.DB
Planned Event Forecasting using Future Mentions and Related Entity Extraction in News Articles
针对印度等民主国家未经许可的内乱事件预测需求，提出利用主题建模、word2vec过滤相关新闻文章，结合命名实体识别（NER）提取相关实体的方法，开发地理独立的通用模型以提前预测计划事件。
2025-11-11 cs.CL
Biomedical Mention Disambiguation using a Deep Learning Approach
自然语言文本中命名实体的自动定位--命名实体识别--是生物医学领域的一个重要课题。然而，许多命名实体提及在几种生物概念类型之间是模糊的，这导致当同时识别多个实体类型时，文本跨度被注释为多于一种类型。简单的解决方案是基于规则的方法，根据每个实体标记器的精度（从最高到最低）应用优先级顺序。虽然这种方法是直接和有用的，不精确的消歧仍然是一个重要的错误来源。我们通过生成一个部分标记的模糊概念提及语料库来解决这个问题。我们首先从多个人工策划的数据库（例如CTDbase，gene 2 pubmed）收集命名实体提及，然后将它们与PubTator的文本挖掘跨度相关联，以提供提及出现的上下文。我们的语料库包含超过300万个概念提及，在PubTator中的一个或多个概念类型之间存在歧义（约占所有提及的3%）。我们将此任务视为分类问题，并开发了一种基于深度学习的方法，该方法使用被分类的跨度和周围单词的语义来识别最可能的生物概念类型。更具体地说，我们开发了卷积神经网络（CNN）和短期记忆（LSTM）网络来分别处理语义语法特征，然后将这些连接在一个完全连接的层中进行最终分类。基于优先级排序规则的方法表现出71.29%（微观平均）和41.19%（宏观平均）的F1-分数，而新的消歧方法表现出91.94%（微观平均）和85.42%（宏观平均）的F1-分数，一个非常大的增加。
2019-09-23 cs.CL
Contextualized End-to-End Neural Entity Linking
BlackRock（贝莱德）；University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
我们提出了另一种实体链接模型（YELM），它将单词链接到实体，而不是跨度。这克服了与选择好的候选提及跨度相关联的任何困难，并且使得提及检测（MD）和实体消歧（ED）的联合训练容易成为可能。我们的模型是基于BERT，并产生上下文化的词嵌入，这是对联合MD和ED目标的训练。我们在几个标准的实体链接（EL）数据集上实现了最先进的结果。
2020-11-07 cs.CL
DAMO-NLP at NLPCC-2022 Task 2: Knowledge Enhanced Robust NER for Speech Entity Linking
DAMO Academy, Alibaba Group（阿里巴巴集团达摩院）；Zhejiang University（浙江大学）；University of Chinese Academy of Sciences（中国科学院大学）
语音实体链接旨在识别和消除口语中命名实体的歧义。传统的方法严重地受到不受约束的语音风格和由ASR系统生成的噪声转录的影响。在本文中，我们提出了一种新的方法，称为知识增强命名实体识别（KENER），它的重点是提高鲁棒性，通过无痛结合适当的知识，在实体识别阶段，从而提高实体链接的整体性能。KENER首先为一个没有提及的句子检索候选实体，然后利用实体描述作为额外的信息来帮助识别提及。由稠密检索模块检索的候选实体在输入较短或有噪声时特别有用。此外，我们研究了各种数据采样策略和设计有效的损失函数，以提高检索实体的质量在识别和消歧阶段。最后，一个带有过滤模块的链接被用作最终的保护措施，使其有可能过滤掉错误识别的提及。我们的系统在NLPCC-2022共享任务2的轨道1和轨道2中获得第一名。
2022-09-29 cs.AI cs.CL cs.LG
Leveraging Semantic Type Dependencies for Clinical Named Entity Recognition
University of Queensland（昆士兰大学）；Neusoft Research of Intelligent Healthcare Technology, Co. Ltd.（东软智能医疗科技研究院有限公司）；Neusoft Corporation（东软集团股份有限公司）
本文提出利用领域特定语义类型依赖增强临床命名实体识别，通过矩阵编码一次利用多种依赖，并在多个临床数据集上验证其有效性。
2025-03-07 cs.CL
Neural Entity Recognition with Gazetteer based Fusion
Amazon AWS AI（亚马逊AWS人工智能部门）
将外部知识引入到命名实体识别（NER）系统中已经在通用领域得到了广泛的研究。在本文中，我们专注于临床领域，只有有限的数据是可访问的，可解释性是很重要的。最近技术的进步和临床试验的加速导致了新药物、程序和医疗条件的发现。这些因素促使建立强大的zero-shot NER系统，可以快速适应新的医学术语。我们提出了一个辅助地名词典模型，并将其与NER系统融合，从而在不同的临床数据集上具有更好的鲁棒性和可解释性。我们的基于地名词典的融合模型是数据高效的，使用20%的训练数据在i2b2数据集上实现了+1.7微F1增益，并在训练期间从未出现的新实体提及上带来了+4.7微F1增益。此外，我们的融合模型是能够快速适应新的地名索引中提到的，而无需重新训练，所提出的融合模型的收益是可转移到相关的数据集。
2021-05-27 cs.AI cs.CL
Neural Networks Models for Entity Discovery and Linking
iFLYTEK Research（科大讯飞研究院）；University of Science and Technology of China（中国科学技术大学）；York University（约克大学）
本文介绍了提交给2016年TAC知识库人口（KBP）竞赛三语实体检测和链接（EDL）赛道的USTC_NELSLIP系统。我们已经建立了两个系统的实体发现和提及检测（MD）：一个使用条件RNNLM和其他一个使用基于注意力的编码器-解码器框架。实体链接（EL）系统包括两个模块：基于规则的候选生成和神经网络概率排序模型。此外，一些简单的字符串匹配规则被用于NIL聚类。最后，我们最好的系统在端到端类型的提及ceaf plus指标中获得了0.624的F1分数。
2016-11-11 cs.AI cs.CL cs.IR
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
Medical Entity Linking using Triplet Network
IIT Kharagpur（印度理工学院卡拉格普尔分校）；Excelra Knowledge Solutions Pvt Ltd（Excelra知识解决方案私人有限公司）
实体链接（或规范化）是文本挖掘中的一项重要任务，它将医学文本中提到的实体映射到给定知识库（KB）中的标准实体。这项工作在医学领域具有重要意义。它还可以用于合并不同的医学和临床本体。在本文中，我们围绕疾病的链接或正常化的问题。该任务分两个阶段执行：候选人生成和候选人评分。在本文中，我们提出了一种方法来排名的候选知识库条目的基础上，他们的相似性与疾病的提及。我们使用三重网络进行候选人排名。虽然现有的方法已经使用精心生成的筛子和外部资源的候选生成，我们引入了一个强大的和便携式的候选生成方案，不使用手工制作的规则。在标准基准NCBI疾病数据集上的实验结果表明，我们的系统比以前的方法有显着的优势。
2020-12-21 cs.AI cs.CL
Scalable Zero-shot Entity Linking with Dense Entity Retrieval
Facebook AI Research（Facebook人工智能研究（Facebook AI Research））；University College London（伦敦大学学院）；Ecole Polytechnique Federale de Lausanne（洛桑联邦理工学院）
本文介绍了一种概念简单，可扩展，高效的基于BERT的实体链接模型，以及其准确性和速度的权衡进行了广泛的评估。我们提出了一个两阶段的zero-shot链接算法，其中每个实体只定义了一个简短的文字描述。第一阶段在由独立嵌入提及上下文和实体描述的双编码器定义的稠密空间中进行检索。然后，每个候选人都将使用交叉编码器重新排名，该交叉编码器将提及和实体文本连接起来。实验表明，这种方法是最新的zero-shot基准（6点绝对增益），也对更多建立的非零拍评估（例如TACKBP-2010），尽管其相对简单（例如，没有明确的实体嵌入或手动设计的提及表）的最先进的。我们还表明，双编码器的链接是非常快的最近邻搜索（例如，在2毫秒内链接590万候选人），并且可以通过知识蒸馏将更昂贵的交叉编码器的精度增益转移到双编码器。我们的代码和模型可以在https://github.com/facebookresearch/BLINK上找到。
2020-09-29 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
Improving Entity Linking by Modeling Latent Entity Type Information
Harbin Institute of Technology（哈尔滨工业大学）；Microsoft Research Asia（微软亚洲研究院）；Peng Cheng Laboratory（鹏城实验室）
现有技术的神经实体链接模型采用基于注意力的词袋上下文模型和从词嵌入引导的预训练实体嵌入来评估主题级上下文兼容性。然而，在提到的直接上下文中的潜在实体类型信息被忽略，这导致模型往往链接到不正确的实体与不正确的类型。为了解决这个问题，我们提出了基于预训练的BERT的实体嵌入注入潜在的实体类型信息。此外，我们将基于BERT的实体相似性得分集成到最先进模型的局部上下文模型中，以更好地捕获潜在的实体类型信息。我们的模型显着优于国家的最先进的实体链接模型的标准基准（AIDA-CoNLL）。详细的实验分析表明，我们的模型纠正了直接基线产生的大部分类型错误。
2020-01-06 cs.CL
Effective Few-Shot Named Entity Linking by Meta-Learning
Tsinghua University（清华大学）；East China Normal University（华东师范大学）；Shandong University（山东大学）
实体链接的目的是将模糊提及链接到知识库中的相应实体，这对于各种下游应用来说是重要的和基本的，例如，知识库完成、问答和信息抽取。虽然人们在这方面付出了巨大的努力，但大多数研究都假设大规模的标记数据是可用的。然而，当标记的数据是不够的特定领域，由于劳动密集型的注释工作，现有的算法的性能将遭受无法忍受的下降。在本文中，我们致力于解决的问题，Few-Shot实体连接，它只需要最小量的域内标记数据，在实际情况中更实用。具体来说，我们首先提出了一种新的弱监督策略，以产生非平凡的合成实体提及对的基础上提到重写。由于合成数据的质量对有效的模型训练有着至关重要的影响，我们进一步设计了一个元学习机制来自动为每个合成实体-提及对分配不同的权重。通过这种方式，我们可以深入挖掘丰富而宝贵的语义信息，在Few-Shot的设置下得到一个训练有素的实体连接模型。在真实数据集上的实验结果表明，该方法能够有效地改进现有的Few-Shot实体链接模型，并在只有少量标记数据的情况下获得令人瞩目的性能.此外，我们还证明了该模型的可移植性的突出能力。
2022-07-19 cs.CL
Bridging Lexical Divergence: LLM-Assisted, Cost-Efficient, Zero-shot Scientific Entity Linking
Iowa State University（爱荷华州立大学）
针对科学实体链接中词汇重叠不足、零样本方法计算成本高且噪声多的问题，提出Sci-ZSEL框架，结合选择性LLM别名生成、本体感知过滤和伪标注微调，在含低词汇重叠的新动物科学基准及其他基准上表现优于基线。
2026-09-02 cs.CL
