Extracción de coherencia multitópica para enlace global de entidades
Autores: Zhang, Chao; Li, Zhao; Wu, Shiwei; Chen, Tong; Zhao, Xiuhao
Idioma: Inglés
Editor: MDPI
Año: 2022
Acceso abierto
Artículo científico
2022
Extracción de coherencia multitópica para enlace global de entidades
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Vinculación de entidades
Menciones
Documento
Base de conocimiento
Coherencia multitópica
Redes neuronales gráficas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 24
Citaciones: Sin citaciones
La vinculación de entidades es un proceso de vinculación de menciones en un documento con entidades en una base de conocimiento. La desambiguación colectiva de entidades se refiere al mapeo de múltiples menciones en un documento con sus entidades correspondientes en una base de conocimiento. La mayoría de investigaciones anteriores se han basado en la suposición de que todas las menciones en el mismo documento representan el mismo tema. Sin embargo, las menciones suelen corresponder a diferentes temas. En este artículo, proponemos un nuevo modelo global para explorar la extracción de coherencia multitópica en el mismo documento. Aquí presentamos gráficos de asociación de menciones y gráficos de asociación de entidades candidatas para obtener características de coherencia multitópica del mismo documento utilizando redes neuronales gráficas (GNNs). En particular, proponemos una variante de GNN para nuestro modelo y una función de lectura de gráficos particular. Realizamos experimentos extensos en varios conjuntos de datos para demostrar la efectividad del modelo propuesto.
Descripción
La vinculación de entidades es un proceso de vinculación de menciones en un documento con entidades en una base de conocimiento. La desambiguación colectiva de entidades se refiere al mapeo de múltiples menciones en un documento con sus entidades correspondientes en una base de conocimiento. La mayoría de investigaciones anteriores se han basado en la suposición de que todas las menciones en el mismo documento representan el mismo tema. Sin embargo, las menciones suelen corresponder a diferentes temas. En este artículo, proponemos un nuevo modelo global para explorar la extracción de coherencia multitópica en el mismo documento. Aquí presentamos gráficos de asociación de menciones y gráficos de asociación de entidades candidatas para obtener características de coherencia multitópica del mismo documento utilizando redes neuronales gráficas (GNNs). En particular, proponemos una variante de GNN para nuestro modelo y una función de lectura de gráficos particular. Realizamos experimentos extensos en varios conjuntos de datos para demostrar la efectividad del modelo propuesto.