SpEL: Structured Prediction for Entity Linking
School of Computing Science（计算科学学院）；Simon Fraser University（西蒙弗雷泽大学）
SpEL系统通过改进的微调步骤、上下文敏感的预测聚合策略及缩减输出词汇表等方法，将结构化预测应用于实体链接任务，在AIDA基准上超越最先进水平且计算高效。
2023-10-23 cs.CL
Improving Fine-grained Entity Typing with Entity Linking
HKUST（香港科技大学）；Tencent Technology (SZ) Co., Ltd.（腾讯科技（深圳）有限公司）
细粒度的实体类型是一个具有挑战性的问题，因为它通常涉及相对较大的标记集，并且可能需要理解实体提及的上下文。在本文中，我们使用实体链接来帮助细粒度的实体类型分类过程。我们提出了一个深度神经模型，它根据上下文和从实体链接结果中获得的信息进行预测。在两个常用数据集上的实验结果证明了该方法的有效性。在这两个数据集上，它实现了超过5%的绝对严格精度提高。
2019-09-26 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
Intent Detection and Entity Extraction from BioMedical Literature
IIT Kharagpur（印度理工学院卡哈拉格普尔分校）；Columbia University（哥伦比亚大学）
本文实证评估生物医学文本的意图检测与命名实体识别，证明监督微调的PubMedBERT等模型仅需5个样本即可在NER上超越ChatGPT。
2024-08-05 cs.CL
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
Improving Entity Linking through Semantic Reinforced Entity Embeddings
Zhejiang Gongshang University（浙江工商大学）；Massey University（梅西大学）；National University of Defense Technology（国防科技大学）；Shanghai Research Center for Brain Science and Brain-Inspired Intelligence（上海脑科学与类脑研究中心）；Zhangjiang Lab（张江实验室）
实体嵌入是神经实体链接模型的关键组成部分，它用单个向量（如词嵌入）表示每个实体的不同方面。现有的实体嵌入是从规范的维基百科文章和目标实体周围的本地上下文中学习的。这样的实体嵌入是有效的，但对于链接模型来说太独特了，无法学习上下文的共性。我们提出了一个简单而有效的方法，FGS2EE，注入细粒度的语义信息到实体嵌入，以减少独特性，促进学习的上下文共性。FGS2EE首先使用语义类型词的嵌入生成语义嵌入，然后通过线性聚合将其与现有的实体嵌入相结合。大量的实验表明了这种嵌入的有效性。基于我们的实体嵌入，我们在实体链接上实现了新的最先进的性能。
2021-06-16 cs.CL
SwellShark: A Generative Model for Biomedical Named Entity Recognition without Labeled Data
Stanford University（斯坦福大学）
我们提出了SwellShark，一个用于快速构建生物医学命名实体识别（NER）系统的框架，无需手动标记数据。我们的方法认为生物医学资源，如词典作为自动生成弱监督的功能原语。然后，我们使用生成模型来统一和降噪这种监督，并构建大规模的，概率标记的数据集，用于训练高精度的NER标签。在三个生物医学NER任务中，SwellShark在没有手动标记训练数据的情况下，通过最先进的监督基准获得了有竞争力的分数。在一个使用患者医疗记录的药物名称提取任务中，一位使用SwellShark的领域专家在24小时内实现了众包注释方法的5.1%，该方法最初使用了20个团队，持续了几周。
2017-04-20 cs.CL
Effective Multi-Task Learning for Biomedical Named Entity Recognition
Priberam Labs（Priberam实验室）
本文提出 SRU-NER，利用多任务学习整合多数据集并动态调整损失以缓解标注不一致，从而识别嵌套实体，实验表明其在生物医学及通用 NER 上性能具竞争力并增强跨域泛化。
2025-07-24 cs.CL
ReFinED: An Efficient Zero-shot-capable Approach to End-to-End Entity Linking
Amazon Alexa AI（亚马逊Alexa人工智能部门）
我们介绍了ReFinED，一个高效的端到端的实体链接模型，它使用细粒度的实体类型和实体描述来执行链接。该模型在一个单一的前向传递中为文档中的所有提及执行提及检测，细粒度实体类型和实体消歧，使其比现有的竞争方法快60倍以上。ReFinED在标准实体链接数据集上的性能平均超过3.7 F1。该模型能够推广到大规模的知识库，如维基数据（其中有15倍以上的实体比维基百科）和zero-shot实体链接。速度，准确性和规模的结合使ReFinED成为一个有效且具有成本效益的系统，用于从网络规模的数据集中提取实体，该模型已成功部署。我们的代码和预训练模型可在https://github.com/alexa/ReFinED上获得
2022-07-08 cs.CL
Mixing Context Granularities for Improved Entity Linking on Question Answering Data across Entity Categories
Ubiquitous Knowledge Processing Lab (UKP)（普适知识处理实验室（UKP））；Research Training Group AIPHES（AIPHES研究培训小组）；Department of Computer Science, Technische Universität Darmstadt（达姆施塔特工业大学计算机科学系）
每个知识库问答方法的第一阶段是链接输入问题中的实体。我们调查的背景下，一个问答任务的实体链接，并提出了一个联合优化的神经架构，实体提及检测和实体消歧模型周围的背景下，不同级别的粒度。我们使用维基数据知识库和可用的问答数据集来创建问答数据上实体链接的基准。我们的方法在此数据上优于以前的最先进系统，最终得分平均提高8%。我们进一步证明了我们的模型在不同的实体类别中提供了强大的性能。
2018-04-23 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
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
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
Multilingual End to End Entity Linking
Meta AI
针对现有多语言实体链接缺乏高效端到端方案、需复杂模型栈的问题，研究团队发布开源了首个支持97种语言的端到端多语言实体链接模型BELA，并在四个高低资源语言数据集上验证了其性能。
2023-06-15 cs.CL
BELB: a Biomedical Entity Linking Benchmark
informatik.hu-berlin.de（柏林洪堡大学计算机科学系）
针对现有生物医学实体链接研究缺乏统一基准、难以横向比较且专业知识库性能研究不足的问题，本文提出统一基准BELB，涵盖多语料库、多知识库与多实体类型，并通过评测发现神经方法跨实体类型性能不稳定，推动实体无关模型研究。
2023-08-22 cs.CL
Generative Biomedical Entity Linking via Knowledge Base-Guided Pre-training and Synonyms-Aware Fine-tuning
Tsinghua University（清华大学）
实体是生物医学自然语言理解的核心，由于概念名称的细粒度和多样性，生物医学实体连接（EL）任务仍然具有挑战性。生成式方法在一般域EL中实现了显着的性能，占用内存较少，但需要昂贵的预训练。先前的生物医学EL方法利用来自知识库（KB）的同义词，这对于注入到生成方法中来说并不是微不足道的。在这项工作中，我们使用生成的方法来建模生物医学EL，并提出注入同义词的知识，我们提出知识库引导的预训练，通过构建合成样本的同义词和定义从知识库，并要求模型恢复概念名称。我们还提出了同义词感知的微调来选择概念名称进行训练，并提出了解码器提示和多同义词约束前缀树进行推理。我们的方法在几个生物医学EL任务上取得了最先进的结果，而无需候选人选择，这显示了所提出的预训练和微调策略的有效性。
2022-05-21 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
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
How Do Your Biomedical Named Entity Recognition Models Generalize to Novel Entities?
Korea University（高丽大学）
新的生物医学概念的生物医学文献的数量正在迅速增加，这就需要一个可靠的生物医学命名实体识别（BioNER）模型来识别新的和看不见的实体提及。然而，现有的模型是否能够有效地处理它们是值得怀疑的。在这项工作中，我们系统地分析了BioNER模型的三种类型的识别能力：记忆，同义词泛化，和概念泛化。我们发现，虽然目前最好的模型实现了最先进的性能基准的基础上的整体性能，他们在识别同义词和新的生物医学概念的局限性，表明他们被高估的泛化能力。我们还研究了模型的失败案例，并确定了识别生物医学文献中未被提及的几个困难，如下：（1）模型倾向于利用数据集偏差，这阻碍了模型的泛化能力，以及（2）一些生物医学名称具有弱规则性的新形态模式，模型无法识别它们。我们应用一个基于统计学的去偏置方法来解决我们的问题，作为一个简单的补救措施，并显示在泛化到看不见的提及的改进。我们希望，我们的分析和研究结果将能够促进进一步研究的泛化能力的NER模型在一个领域，其可靠性是至关重要的。
2022-03-14 cs.CL
End-to-end Biomedical Entity Linking with Span-based Dictionary Matching
Nara Institute of Science and Technology（奈良先端科学技术大学院大学）；Megagon Labs（Megagon实验室）
疾病名称识别和规范化是生物医学文本挖掘中的一个基本过程，通常称为生物医学实体链接。最近，已经提出了两个任务的神经联合学习，以利用相互的好处。虽然这种方法实现了高性能，但无法准确预测未出现在训练数据集中的疾病概念。本研究介绍了一种新的端到端的方法，结合跨度表示与字典匹配功能来解决这个问题。我们的模型通过引用字典来处理看不见的概念，同时以端到端的方式保持基于神经网络的模型的性能。使用两个主要数据集的实验表明，我们的模型在强基线的情况下取得了有竞争力的结果，特别是对于训练过程中看不见的概念。
2021-04-21 cs.CL
Reddit Entity Linking Dataset
University of Notre Dame（圣母大学）
我们引入并公开了一个来自Reddit的实体链接数据集，该数据集包含17，316个链接实体，每个实体由三个人类注释者注释，然后分为Gold，Silver和Bronze以表示注释者之间的协议。我们分析了注释者所犯的不同错误和分歧，并对原始数据提出了三种类型的更正。最后，我们测试了现有的实体链接模型，这些模型是在非社交媒体数据集的文本上训练和调整的。我们发现，尽管这些现有的实体链接模型在其原始数据集上表现非常好，但在这个社交媒体数据集上表现不佳。我们还表明，大多数这些错误可以归因于性能不佳的提及检测子任务。这些结果表明，需要更好的实体链接模型，可以应用于大量的社交媒体文本。
2021-02-25 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
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
Biomedical Language Models are Robust to Sub-optimal Tokenization
The Ohio State University（俄亥俄州立大学）
本文发现标准分词器难以准确切分生物医学术语，但使用更准确的分词器预训练生物医学语言模型并未提升掩码语言建模、命名实体识别和实体链接等任务中的实体表示质量，表明生物医学预训练对次优分词具有较强鲁棒性。
2023-07-10 cs.CL
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
BioMNER: A Dataset for Biomedical Method Entity Recognition
University of Surrey（萨里大学）；The University of Manchester（曼彻斯特大学）；University of Pittsburgh（匹兹堡大学）；Chinese Academy of Sciences（中国科学院）；Durham University（杜伦大学）
本文提出BioMNER生物医学方法实体识别数据集，通过自动化系统辅助标注，并发现小规模ALBERT模型结合CRF在该任务上优于大语言模型，取得SOTA性能。
2024-06-28 cs.CL
An Entity Linking Agent for Question Answering
The Chinese University of Hong Kong（香港中文大学）；McGill University（麦吉尔大学）；Mila - Quebec AI Institute（魁北克AI研究院）；Huawei Noah’s Ark Lab（华为诺亚实验室）
本文提出了一种基于大语言模型的实体链接代理，用于解决问答任务中短且模糊用户问题的实体链接问题，通过两个实验验证了其有效性。
2026-05-20 cs.CL
Neural Collective Entity Linking
Tsinghua University（清华大学）
实体链接旨在将文本中提到的实体链接到知识库，神经模型最近在这项任务中取得了成功。然而，大多数现有的方法依赖于本地上下文来独立地解决实体，这通常可能会失败，由于本地信息的数据稀疏性。为了解决这个问题，我们提出了一种新的集体实体链接的神经模型，命名为NCEL。NCEL采用图卷积网络来整合局部上下文特征和全局一致性信息，实现实体链接。为了提高计算效率，我们近似地在相邻实体提及的子图上而不是在整个文本中执行图卷积。我们进一步引入了一个注意力机制来提高NCEL对数据噪声的鲁棒性，并在维基百科超链接上训练模型以避免过拟合和域偏差。在实验中，我们评估NCEL五个公开可用的数据集，以验证连接性能以及泛化能力。我们还进行了广泛的分析，时间复杂度，关键模块的影响，和定性的结果，这表明我们提出的方法的有效性和效率。
2018-11-21 cs.CL
CADEL: A Corpus of Administrative Web Documents for Japanese Entity Linking
National Institute of Information and Communications Technology（国立信息通信技术研究所）
本文构建了一个覆盖日本特定实体的标注语料库，用于评估日本实体链接系统，通过标注一致性验证了其可靠性，并初步实验表明其包含大量非平凡案例。
2026-03-31 cs.CL
Capturing Semantic Similarity for Entity Linking with Convolutional Neural Networks
University of California, Berkeley（加州大学伯克利分校）
实体链接的一个关键挑战是有效利用上下文信息来消除在不同上下文中可能指不同实体的歧义。我们提出了一个模型，该模型使用卷积神经网络来捕获提及的上下文与提议的目标实体之间的语义对应关系。这些卷积网络在多个粒度上运行，以利用各种主题信息，它们丰富的参数化使它们能够学习哪些n-gram表征不同的主题。我们将这些网络与稀疏线性模型相结合，以在多实体链接数据集上实现最先进的性能，优于Durrett和Klein（2014）和Nguyen et al.（2014）的现有系统。
2016-04-04 cs.CL
Unified Examination of Entity Linking in Absence of Candidate Sets
School of Computing Science（计算科学学院）；Simon Fraser University（西蒙菲莎大学）
该研究针对现有实体链接系统缺乏统一对比分析的问题，引入新黑盒基准全面评估SOTA方法，通过消融实验明确候选集对系统性能的影响与依赖程度，提出领域内全候选集替代方案并揭示相关权衡关系。
2024-04-17 cs.CL
End-to-End Entity Linking and Disambiguation leveraging Word and Knowledge Graph Embeddings
University of Bonn（波恩大学）；Fraunhofer IAIS（弗劳恩霍夫应用信息技术研究所）；Ruhr University Bochum（波鸿鲁尔大学）
实体链接-将自然语言话语中的实体提及连接到知识图谱（KG）实体是KG上的问答的关键步骤。它通常基于测量实体标签与问题中提到的实体之间的字符串相似性。问题中提到的关系有助于消除具有相同标签的实体之间的歧义。如果在关系链接步骤中已经识别出不正确的关系，则这可能是误导性的。然而，不正确的关系可能仍然在语义上类似于正确实体在KG内形成三元组的关系;这可以通过它们的KG嵌入的相似性来捕获。基于这一思想，我们提出了第一个端到端的神经网络方法，采用KG以及词嵌入来执行简单问题的联合关系和实体分类，同时隐式地执行实体消歧与一种新的门控机制的帮助。实证评估表明，所提出的方法实现了性能相当于国家的最先进的实体链接，同时需要较少的后处理。
2020-02-25 cs.CL
HunFlair: An Easy-to-Use Tool for State-of-the-Art Biomedical Named Entity Recognition
Humboldt-Universität zu Berlin（柏林洪堡大学）；GFZ German Research Centre for Geosciences（德国地学研究中心）
摘要：命名实体识别（NER）是生物医学信息抽取流程中的一个重要步骤。NER的工具应该易于使用，涵盖多种实体类型，高度准确，并且对文本体裁和风格的变化具有鲁棒性。为此，我们提出了HunFlair，一个NER标记器，它涵盖了集成到广泛使用的NLP框架Flair中的多种实体类型。HunFlair的性能优于其他最先进的独立NER工具，平均增益为7.26 pp，比下一个最好的工具，可以用一个命令安装，并且只需要四行代码。可用性：HunFlair可以通过Flair框架在MIT许可下免费获得：https://github.com/flairNLP/flair，并与所有主要的操作系统兼容。Contact:{weberple,saengema,alan.akbik}@informatik.hu-berlin.de
2020-08-18 cs.CL
Iteratively Improving Biomedical Entity Linking and Event Extraction via Hard Expectation-Maximization
Virginia Tech（弗吉尼亚理工大学）
本文提出联合生物医学实体链接与事件抽取方法，通过硬期望最大化将事件结构和实体引用作为隐变量，在Genia 2011和BC4GO数据集上显著优于基线并改进单项任务表现。
2023-05-24 cs.CL
AMELI: Enhancing Multimodal Entity Linking with Fine-Grained Attributes
Virginia Tech（弗吉尼亚理工学院）
该研究提出属性感知多模态实体链接任务，构建了含大规模数据的AMELI基准与知识库，提出融入实体属性的消歧新方法，验证了属性对该任务的关键作用，且首次将属性引入该任务并公开相关资源。
2025-06-10 cs.CL
BERE: An accurate distantly supervised biomedical entity relation extraction network
从文献中自动抽取实体关系抽取（RE）是构建生物医学数据库的重要来源，它比人工处理更高效、可扩展。然而，现有的RE模型通常忽略了句子结构和目标实体中包含的信息。在本文中，我们提出了BERE，这是一种基于深度学习的模型，它使用Gumbel Tree-GRU来学习句子结构，并使用联合嵌入来整合实体信息。它还采用词级注意力改进的关系抽取和事件级注意力，以适应远程监督数据集。由于现有的数据集相对较小，我们进一步构建了一个更大的药物靶点相互作用提取（DTIE）数据集的远程监督。在DDIExtraction 2013任务和DTIE数据集上进行的实验表明，我们的模型在F1测量和PR曲线方面优于最先进的基线。
2019-06-22 cs.CL
Encoding Knowledge Graph Entity Aliases in Attentive Neural Network for Wikidata Entity Linking
Fraunhofer IAIS, University of Bonn, Germany（德国波恩大学弗劳恩霍夫研究所人工智能研究所（Fraunhofer IAIS））；Cerence GmbH, and Zerotha Research, Germany（德国Cerence GmbH公司，以及Zerotha Research）；TIB, Hannover, Germany（德国汉诺威技术信息中心（TIB））；University of Dayton, USA（美国代顿大学）
协作知识图谱（如Wikidata）过度依赖人群来创作信息。由于群体不受用于分配实体标题的标准协议的约束，因此知识图谱由非标准的、嘈杂的、长的或甚至有时笨拙的标题填充。长的、隐式的、非标准的实体表示是实体链接（EL）方法获得高精确度和召回率的一个挑战。一般来说，基础KG是EL方法的目标实体的来源，然而，它通常包含其他相关信息，例如实体的别名（例如，奥巴马和巴拉克·侯赛因·奥巴马是实体巴拉克·奥巴马的别名。EL模型通常会忽略这些现成的实体属性。在本文中，我们研究的作用，知识图谱上下文上的一个细心的神经网络方法的实体链接维基数据。我们的方法有助于利用足够的背景下，从KG作为背景知识的来源，然后送入神经网络。这种方法证明了解决与实体标题（多字、长、隐式、区分大小写）相关的挑战的优点。我们的实验研究表明，与基线方法相比，改进了约8%，并且显著优于维基数据实体链接的端到端方法。
2020-09-26 cs.CL
USFD at KBP 2011: Entity Linking, Slot Filling and Temporal Bounding
University of Sheffield（谢菲尔德大学）
本文介绍了谢菲尔德大学在2011年TAC KBP实体链接和插槽填充任务的条目。我们选择参与单语实体连接任务、单语槽填充任务和时间槽填充任务。我们着手建立一个框架，用于知识库人口的实验。这个框架被创建，并应用于多个KBP任务。我们证明，我们提出的框架是有效的，适合协作开发的努力，以及在教学环境中的有用。最后，我们提出的结果，虽然非常温和，提供的改进的数量级大于我们2010年的尝试。
2012-03-22 cs.CL
Named Entity Linking with Entity Representation by Multiple Embeddings
Primer Technologies Inc.（Primer科技公司）
我们提出了一个简单而实用的方法命名实体链接（NEL），基于实体表示的多个嵌入。为了探索这种方法，并审查其对参数的依赖性，我们测量了它在命名不明确的实体的高度挑战性的数据集上的性能。我们的观察表明，创建知识库（KB）实体所需的最小提及次数对NEL性能非常重要。嵌入的数量是不太重要的，可以保持小，在10或更少的范围内。我们表明，我们的KB实体的表示可以调整，只使用KB数据，调整可以提高NEL性能。我们还比较了NEL性能的嵌入从不同的新闻文本调整语言模型，而不是从公共数据集XSum，CNN /每日邮报更统一的文本调整。我们发现，调整不同的新闻提供了更好的嵌入。
2022-11-20 cs.CL
LELA: an LLM-based Entity Linking Approach with Zero-Shot Domain Adaptation
Télécom Paris Institut Polytechnique de Paris（巴黎电信理工学院）
LELA是一种基于大语言模型的实体链接方法，通过零样本领域适应实现高效准确的实体链接，优于传统微调方法。
2026-08-07 cs.CL
Neural Entity Linking: A Survey of Models Based on Deep Learning
Universität Hamburg（汉堡大学）；Skolkovo Institute of Science and Technology（斯科尔科沃科学技术研究院）；Lomonosov Moscow State University（莫斯科罗蒙诺索夫国立大学）；AIRI（AIRI（人工智能研究所））；Moscow Institute of Physics and Technology（莫斯科物理技术学院）；FIZ Karlsruhe - Leibniz Institute for Information Infrastructure（FIZ卡尔斯鲁厄——莱布尼茨信息基础设施研究所）；Université Sorbonne Paris Nord（巴黎索邦北大学）；Vrije University of Amsterdam（阿姆斯特丹自由大学）；The Open University（开放大学）；University of Cagliari（卡利亚里大学）
本调查全面描述了自2015年以来由于自然语言处理中的“深度学习革命”而开发的最新神经实体链接（EL）系统。它的目标是系统化神经实体链接系统的设计特征，并将其性能与常见基准测试中的经典方法进行比较。这项工作提炼了一个神经EL系统的通用架构，并讨论了它的组成部分，如候选人生成，提及上下文编码，和实体排名，总结突出的方法，为他们每个人。这个通用架构的各种各样的修改分为几个共同的主题：联合实体提及检测和消歧，模型的全球链接，域独立的技术，包括zero-shot和远程监督方法，和跨语言的方法。由于许多神经模型利用实体和提及/上下文嵌入来表示它们的含义，因此本文还概述了突出的实体嵌入技术。最后，调查涉及实体链接的应用，重点关注最近出现的基于Transformer架构增强深度预训练掩蔽语言模型的用例。
2022-04-07 cs.CL
A Byte-sized Approach to Named Entity Recognition
USC Information Sciences Institute（南加州大学信息科学研究所）
在生物医学文献中，实体边界与单词边界不对齐是很常见的。因此，实体跨度的有效识别需要能够考虑比单词小的标记的方法。我们介绍了一种新的，子字的方法命名实体识别（NER），使用字节对编码（BPE）结合卷积和递归神经网络产生字节级的标签的实体。我们提出了几个标准的生物医学数据集，即BioCreative VI Bio-ID，JNLPBA和GENETAG数据集的实验结果。我们展示了具有竞争力的性能，同时绕过了创建生物医学文本标记化规则所需的专业领域专业知识。
2018-09-22 cs.CL
DMNER: Biomedical Entity Recognition by Detection and Matching
Fudan University（复旦大学）；Atypon Systems, LLC（Atypon系统有限责任公司）
本文提出 DMNER 框架，将生物医学命名实体识别转化为实体边界检测与实体匹配两步，利用 SAPBERT 并结合 ChatGPT 获取高质量短语，在多种监督场景和 10 个基准数据集上验证了其有效性与通用性。
2023-07-05 cs.CL
CLIMATELI: Evaluating Entity Linking on Climate Change Data
LMU Munich（慕尼黑大学）；Munich Center for Machine Learning (MCML)（慕尼黑机器学习中心）
本文提出首个气候变化实体链接数据集CLIMATELI，包含3087个链接到维基百科的实体片段，并评估现有实体链接系统在该数据上的表现，发现模型性能明显落后于人类，同时提出CC实体自动过滤方法。
2024-06-27 cs.CL
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
Efficient Biomedical Entity Linking: Clinical Text Standardization with Low-Resource Techniques
GE HealthCare（GE医疗）
本文提出一种低资源生物医学实体链接方法，利用同义词对学习，结合上下文与无上下文的重新排序技术，在Medmentions数据集上达到与最先进方法相当的性能，并引入文章级分析以补充评估。
2024-05-27 cs.CL
MELO: An Evaluation Benchmark for Multilingual Entity Linking of Occupations
Avature（Avature公司）
本文提出了MELO基准，包含48个数据集用于评估21种语言实体提及到ESCO职业分类体系的链接，并使用词汇模型和句子编码器在零样本设置下建立基线。
2024-10-10 cs.CL
Enhancing Biomedical Named Entity Recognition via Multiple Programming Languages Instruction Tuning and Ensemble Method
Dalian Maritime University（大连海事大学）；Beijing Institute of Technology（北京理工大学）；Northeastern University（东北大学）；Dalian University of Technology（大连理工大学）
提出MITE方法，通过多编程语言指令调优和实体级投票集成，将BioNER转化为结构到结构生成任务，在六个数据集上优于现有基线。
2026-10-26 cs.CL
Biomedical Entity Linking for Dutch: Fine-tuning a Self-alignment BERT Model on an Automatically Generated Wikipedia Corpus
Leiden University（莱顿大学）；Leiden Institute of Advanced Computer Science（莱顿高级计算机科学研究所）；Erasmus University Medical Center（伊拉斯姆斯大学医学中心）
本文提出首个经评估的荷兰语生物医学实体链接模型，基于 MedRoBERTa.nl 进行本体自对齐预训练并用 Wikipedia 语料微调，在 Mantra GSC 上验证其性能与局限。
2024-05-20 cs.CL
Building an Icelandic Entity Linking Corpus
University of Iceland（冰岛大学）；Reykjavík University（雷克雅未克大学）；Quick Lookup（快速查询公司）
在本文中，我们提出了第一个实体链接语料库冰岛。我们描述了我们的方法，使用多语言实体链接模型（mGENRE）结合维基百科API搜索（WAPIS）来标记我们的数据，并将其与仅使用WAPIS的方法进行比较。我们发现，我们的组合方法达到53.9%的覆盖率在我们的语料库，相比之下，30.9%，仅使用WAPIS。我们分析了我们的结果，并解释了使用冰岛语时使用多语言系统的价值。此外，我们分析了未标记的数据，识别模式并讨论了为什么它们可能更难以注释。
2022-06-10 cs.CL
Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
实体链接（EL）是将文档中提到的实体链接到知识库（KB）中的引用实体的任务。许多以前的研究集中在维基百科衍生的知识库。关于维基数据的EL的工作很少，尽管它是最广泛的众包KB。维基数据的规模可以开辟许多新的现实世界的应用程序，但其庞大的实体数量也使EL具有挑战性。为了有效地缩小搜索空间，我们提出了一种新的候选检索模式的基础上实体分析。维基数据实体及其文本字段首先被索引到文本搜索引擎中（例如，Elasticsearch）。在推理过程中，给定提及及其上下文，我们使用序列到序列（seq 2seq）模型来生成目标实体的配置文件，其中包括其标题和描述。我们使用配置文件来查询索引的搜索引擎以检索候选实体。我们的方法补充了使用维基百科锚文本字典的传统方法，使我们能够进一步设计一个高效的混合方法进行候选人检索。结合一个简单的交叉注意力重新排序器，我们完整的EL框架在三个基于维基数据的数据集上实现了最先进的结果，并在TACKBP-2010上实现了强大的性能。
2022-03-14 cs.CL
MobIE: A German Dataset for Named Entity Recognition, Entity Linking and Relation Extraction in the Mobility Domain
German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）
我们提出了MobIE，德语数据集，这是人类注释的20个粗粒度和细粒度的实体类型和实体链接信息的地理上不确定的实体。该数据集由3，232个社交媒体文本和91K令牌的交通报告组成，并包含20.5K注释实体，其中13.1K链接到知识库。数据集的一个子集是人类注释的七个移动性相关的，n元关系类型，而其余的文件是使用弱监督标记方法与Snorkel框架实现注释。据我们所知，这是第一个结合了NER，EL和RE注释的德语数据集，因此可以用于这些基本信息抽取任务的联合和多任务学习。我们在https://github.com/dfki-nlp/mobie上公开了Mobie。
2022-03-28 cs.CL
What do Entity-Centric Models Learn? Insights from Entity Linking in Multi-Party Dialogue
Universitat Pompeu Fabra（庞培法布拉大学）
人类使用语言来指代外部世界中的实体。受此启发，近年来，已经提出了几种模型，其中包括对学习实体表示的偏见。这种以实体为中心的模型已经显示出经验上的成功，但我们仍然对原因知之甚少。在本文中，我们分析了两个最近提出的以实体为中心的模型在参考任务中的行为，多方对话中的实体链接（SemEval 2018任务4）。我们表明，这些模型在这项任务上优于最先进的技术，并且它们在较低频率的实体上比具有相同模型大小的非实体中心的对应模型做得更好。我们认为，以实体为中心的模型自然会促进良好的架构决策。然而，我们也表明，这些模型并没有真正建立实体表示，他们利用语言环境差。这些负面的结果强调了模型分析的必要性，以测试特定架构的动机是否在模型部署时的行为中得到证实。
2019-05-16 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
