鏈接：http://anthology.aclweb.org/P/P17/P17-1149.pdf

?

概述

在知識庫和文本的聯合表示中，歧義是個困擾的難題。同一個 mention 可能在不同的語境下表述不同實體，同一個實體又有多種 mention 表示，如下圖。本文提出了一個新的表示方法，可以在一個聯合空間學習 mention 和實體的表示，同時解決歧義問題。

模型

作者提出了一個 mention sense 的概念，每一個 mention 對應一個 mention_sense，以表示當前的mention的真正含義。可以看出，mention_sense 是和實體一一對應的。作者從 wikipedia 的超鏈接里提取出 <m_l, e_j> 的組合，即mention超鏈接到某一實體。對于每一個這種組合，作者把它映射到一個 mention_sense 上：

這樣同一實體的 mention 會共享 mention_sense，而同一 mention 對應不同實體也會映射到不同的 mention_sense。作者把文本中的 mention 用 mention_sense 代替，來進行聯合訓練。

像大圖的最右側部分描述的一樣，mention_sense 可以看成是文本空間和實體空間的一個鏈接。聯合訓練的似然函數由三部分組成，均采用 CBOW/skip-gram 的語言模型來得到向量：

1、實體空間

這個方法讓共享鄰居實體的實體詞盡可能相似。

2、mention空間

這個方法使得指向同一實體，且共享上下文的mention_sense盡可能相似。

3、文本空間

共現的詞之間應盡可能相似，類似于 word2vec，只不過用 mention_sense 代替 mention。

?

實體鏈接

用上述學出的向量可以進行實體鏈接的工作。對于每一個實體，對所有 mention_sense 做如上計算，選出概率值最大的 mention_sense，再連接到對應的實體。因為一個句子可能包含多個實體，而全局優化代價過大，為了方便，作者假設實體和實體間獨立，提出了 L2R（從左至右）和 S2C（從簡至繁）的逐實體預測的方法。

?

實驗

作者進行了自身對比，可以看出多實體比單一實體的效果好很多。

在實體相關預測和詞語相關預測上，實體和詞語聯合學習的方法，也比單一學習提升了一些性能。

最后是上述實體鏈接的嘗試：

筆記整理：王冠穎，浙江大學碩士，研究方向為關系抽取、知識圖譜。

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

轉載須知：轉載需注明來源“OpenKG.CN”、作者及原文鏈接。如需修改標題，請注明原標題。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的论文浅尝 | 基于多原型mention向量的文本-实体联合学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。