知识图谱学习笔记（六）——实体消歧

最新推荐文章于 2025-10-08 11:27:16 发布
原创 最新推荐文章于 2025-10-08 11:27:16 发布 · 5.6k 阅读 · 40 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
文章标签：

#知识图谱 #人工智能

实体消歧

1. 实体消歧概述

1.1 实体消歧定义

  • 命名实体的歧义指的是一个实体指称项可对应到多个真实世界实体。例如Michael Jordan可以表示篮球运动员，也可以表示计算机科学家，或者其他实体。
  • 确定一个实体指称项所指向的真实世界实体，这就是命名实体消歧。

1.2 实体消歧分类

  • 基于聚类的实体消歧
    • 把所有实体指称项按其指向的目标实体进行聚类
    • 每一个实体指称项对应到一个单独的类别
      在这里插入图片描述
  • 基于实体链接的实体消歧
    • 将实体指称项与目标实体列表中的对应实体进行链接实现消歧
      在这里插入图片描述

2. 基于无监督的实体消歧

2.1 基于聚类的实体消歧

  • 基本思路

    • 同一指称项具有近似的上下文
    • 利用聚类算法进行消歧
    • 核心问题：选取何种特征对于指称项进行表示
      1. 词袋模型（Bagga 等人，COLING，1998）
      2. 语义特征（Pederson等人，CLIP，2005）
      3. 社会化网络（Bekkerman等人，WWW，2005）
      4. 维基百科的知识（Han 和 Zhao，CIKM，2009）
      5. 多元易购语义知识融合（Han 和 Zhao，ACL，2010）

  • 词袋模型

    • 利用待消歧实体周边的词来构造向量
    • 利用向量空间模型来计算两个实体指称项的相似度，进行聚类
      在这里插入图片描述

  • 语义特征

    • 利用SVD分解挖掘词的语义信息
    • 利用词袋和浅层语义特征，共同表示指称项，利用余弦相似度来计算两个指称项的相似度
最低0.47元/天 解锁文章
知识图谱实战应用2-知识图谱的知识融合与知识消歧
微学AI的博客
03-26 1946
知识融合的目的是减少知识源之间的冗余和重复，提高知识图谱的完整性和一致性。例如，如果一个实体在两个知识源中有不同的名称，那么知识融合可以将这两个名称合并成一个实体，并将两个知识源中的实体与之关联。例如，如果两个实体在不同知识源中具有相同的名称，但它们实际上是不同的实体，那么知识消歧可以通过使用实体的其他属性（例如描述、分类、上下文等）来区分它们。由于知识图谱是由不同来源的知识组成的，因此可能存在同一实体在不同知识源中有不同的表达，或者同一属性在不同知识源中有不同的取值，这就需要进行知识融合和知识消歧。
nlp（贪心学院）——实体消歧、实体统一、指代消解、句法分析
Grateful_Dead424的博客
05-06 2865
任务212：Entity Disambiguation (实体消歧)介绍 小米是公司还是吃的？ 苹果是公司还是吃的？ 根据左边的上下文找出左边的James Craig到底是右边(1)(2)(3)哪个James Craig 有一个描述库（1）苹果：一种水果（2）苹果：一家公司 （1）问题的句子，实体前找20个词，实体后找20个词，然后用tf-idf （2）解释整句话使用tf-idf （3）比较相似度 或者在不同上下文中，计算苹果的词向量，然后计算余弦相似度 任务214：Entity Resolutio
用Slurm高效提交深度学习任务：以KBQA实体消歧任务为例
最新发布
qq_22841387的博客
10-08 773
本文详细介绍了如何通过Slurm高效提交深度学习任务，以KBQA实体消歧任务为例，重点讲解了环境配置、Slurm脚本编写、任务管理及常见问题排查。文章首先强调环境准备的重要性，包括激活Conda环境和安装必要依赖；随后提供了完整的Slurm脚本示例，详细解读关键参数；最后总结了任务提交、状态监控和问题排查方法，特别针对模块缺失、路径错误、GPU未启用等常见问题给出了解决方案。通过规范化的Slurm流程，可显著提升深度学习任务的执行效率。
知识图谱（五）——实体消歧
热门推荐
盛夏光年
07-28 2万+
一、任务概述 多样性——同一实体在文本中会有不同的指称。eg：飞人、帮主、老大和MJ都指美国篮球运动员迈克尔·乔丹 歧义性——相同的实体指称在不同的上下文中可以指不同的实体。eg：迈克尔·乔丹指美国篮球运动员、爱尔兰政治家等 1、任务定义 实体消歧，定义为六元组。此处实体指的是命名实体。 M=N,E,D,O,K,δM=N,E,D,O,K,\deltaM=N,E,D,O,K,δ N=n1,n2,....
知识图谱-知识体系与知识融合-实体消歧
qq_40671063的博客
04-18 5492
目录 1 实体消歧定义 2 基于聚类的实体消歧 3 基于实体链接的语义消歧 4 其他实体链接任务 5 实体链接常用数据集 6 实体链接面临的挑战 1 实体消歧定义 1. 命名实体的歧义指的是一个实体指称项可对应到多个真实世界实体； 2. 确定一个实体指称项所指向的真实世界实体，这就是命名实体消歧； 3. 对于一段自然语言文本，“迈克尔·乔丹教授昨天访问了CMU”。要从自然语言文本中抽取信息构成知识图谱，处理流程如下： 命名实体识别： [迈克尔·乔丹]/PE...
知识图谱-实体消歧（语义消歧）
weixin_44206053的博客
01-17 4103
命名实体歧义： 命名实体指称多样性: 一个命名实体可以用多种方式表达． 命名实体指称歧义性: 一个指称可能表示不同的命名实体． 命名实体聚类消歧 命名实体链接消歧 命名实体聚类消歧是利用聚类算法来对实体进行消歧． 命名实 体链接消歧则是借助外部知识库将待消歧命名实体指称链接到外部知识库中对应实体来进行消歧． 基于中文维基百科的命名实体消歧方法 计算文本特征向量与不同词义的维基特征向量的相似度（可由词间距离转换 余弦距离 欧式距离等）。 面向实体链接的多特征图模型实体消歧方法 以中文维基百科作为知识库支撑
《知识图谱》赵军 阅读笔记（五）——第五章 实体消歧
not_simple_name的博客
07-28 2054
第三章 知识体系构建和知识融合 阅读笔记3.1 知识体系构建3.1.1 人工构建方法3.1.1.1 确定任务及领域3.1.1.2 体系复用3.1.1.3 罗列要素3.1.1.4 确定分类体系3.1.1.5 定义属性及关系3.1.1.6 定义约束3.1.2 自动构建方法3.1.2.1 基于非结构化数据的知识体系学习3.1.2.2 基于结构化数据的知识体系学习3.1.2.3 基于半结构化数据的知识...
知识图谱学习笔记（三）—— 实体识别与链接
淡蓝苏打的博客
05-19 2756
1. 定义、目标和研究意义 实体是文本中承载信息的重要语言单位，一段文本的语义可以表述为其包含的实体及这些实体相互之间的关联和交互。实体识别也就成为了文本意义理解的基础。例如，“26 日下午，一架叙利亚空军 L-39 教练机在哈马省被 HTS 使用的肩携式防空导弹击落”中的信息可以通过其包含的时间实体“26 号下午”，机构实体“叙利亚空军”、“HTS”，地点实体“哈马省”和武器实体“L-39 教练机”、“肩携式防空导弹”有效描述。实体也是知识图谱的核心单元，一个知识图谱通常是一个以实体为节点的巨大知识网络，
知识图谱学习笔记（五）——实体识别（2）
aidanmo的博客
12-30 1773
实体识别（信息抽取） 知识图谱学习笔记（五）——实体识别(1) 2. 信息抽取的基础：分词和词性标注 2.6基于统计的分词方法 基于统计的方法需要标注训练语料训练模型，可分为生成式统计分词和判别式统计分词 2.6.1 生成式方法 生成式方法优缺点 优点：在训练语料规模足够大和覆盖领域足够多的情况下，可以获得较高的切分正确率 缺点：训练语料的规模和覆盖领域不好把握。模型实现复杂、计算量较大。 ...
知识图谱学习笔记——知识抽取概述
bingo_csdn_的博客
02-02 2420
文章目录0. 前言1. 实体抽取1.1 基于规则的方法1.2 基于统计模型的方法1.2.1 训练语料标注1.2.2 特征定义1.2.3 训练模型1.3 基于深度学习的方法2. 关系抽取2.1 基于模板的关系抽取方法2.2 基于监督学习的关系抽取方法 0. 前言 最近在看王昊奋老师的《知识图谱》，打算做一下学习笔记，当作是知识梳理。 这篇文档主要梳理知识图谱中的知识抽取方面的内容。在知识抽取中，有面向非结构化数据，半结构化数据，以及结构化数据的知识抽取。非结构化数据指的是平时看到的文本，比如新闻文稿；结构化数
知识图谱赵军学习笔记（五）--实体消歧
qq_24495287的博客
02-17 5779
实体消歧 任务定义 通过六元组来定义： M=N，E，D，O，K，& N是待消歧的实体名集合，如李娜，迈克尔乔丹等 E是待消歧实体名的目标列表，包括了可能指向的实体，如李娜（跳水运动员） D是一个包含了待消歧实体名的文档集，如包含迈克尔的网页集合 O=是D中的实体指称项集合。一个实体的指称项是在具体上下文中出现的待消歧实体名。 K是命名实体消歧任务所使用的背景知识。关于目标实体的描述。 &a...
实 体 消 歧 综 述
kuxingseng123的博客
02-15 2663
先自己大致了解该模块包括什么，然后会自己构建知识图谱，以及相关领域进行研究。
知识图谱第11享：实体消歧
不患无位，患所以立；不患莫己知，求为可知也
01-06 814
词义消歧是自然语言处理中的基础性研究课题，而命名实体消歧是词义消歧的一个重要分支。命名实体的歧义是指一个命名实体的指称项可以对应多个实体概念。命名实体消歧指利用文本上下文信息或者其它外部知识库，确定这个指称项具体指向的实体概念的过程。 ...
[模型调研]实体消歧
weixin_52093054的博客
08-16 2352
实体消歧的概念以及一些SOTA模型
实体消歧 Entity Disambiguiation
九久的博客
03-05 599
实体消歧本质在于一个词可能有多个意思，也就是再不同的上下文中所表多钱啊的含义不太一样。 例如：小米、苹果 每个实体都有实体库，用于存储各种意思，如下图所示： 实体消歧算法 如下图所示： 需要判断跟哪个意思接近，即实体相似度哪一个较高。 方法： 需要将句子与解释的意思转化为向量表示，核心问题：怎么提取特征并且转化为向量？ 1、要提取多少个字符串？ 2、将提取的字符串转化为向量。 3、进行相似度计算 ...
【知识图谱 赵军 学习笔记】第五章 实体消歧
qq_41772794的博客
11-30 1653
第五章 实体消歧任务概述定义分类基于聚类的实体消歧系统基于实体链接的实体消歧系统相关评测WePSTAC KBP基于聚类的实体消歧方法 实体具有歧义性，体现在两个方面： 同一实体在文本中会有不同的指称 ⇒\Rightarrow⇒ 指称的多样性 相同的实体指称在不同的上下文中可以指不同的实体 ⇒\Rightarrow⇒ 指称的歧义性 任务概述 定义 实体消歧可以通过六元组进行定义： M=N,E,D,O,K,δM = N,E,D,O,K,\deltaM=N,E,D,O,K,δ N=n1,n2,...,nlN
NLP-实体消歧/实体统一
Swayzzu的博客
11-24 2331
比如吃的苹果和苹果手机消除歧义；比如百度公司和百度有限公司进行统一。
知识图谱笔记
03-19
### 关于知识图谱的学习笔记与资料 #### 知识图谱的核心概念 知识图谱的概念最早由 Google 公司在 2012 年提出，其核心目标是通过构建大规模的语义网络来增强搜索引擎的能力[^2]。从学术角度来看，知识图谱被定义为一种语义网络的知识库，它能够以结构化的方式存储实体及其之间的关系[^3]。 #### 符号表示方法 对于初学者而言，理解知识图谱中的符号表示方法是非常重要的一步。这些符号通常用于描述实体、属性以及它们之间的复杂关联。例如，在知识图谱中，节点代表实体（Entity），边则表示两者间的关系（Relation）。这种多关系图的形式使得知识图谱成为表达现实世界信息的强大工具[^1]。 #### 数据来源与知识抽取技术 知识图谱的数据主要来源于三类：非结构化数据（如自然语言文本）、半结构化数据（如表格、XML 文件）和完全结构化的数据库记录。其中，针对非结构化文本的知识抽取尤为重要，涉及命名实体识别（NER）、关系提取等多个 NLP 技术环节[^4]。 以下是几个推荐的学习资源方向： 1. **官方文档与教程** 许多知名机构提供了详尽的知识图谱入门指南，比如 Stanford 的 CS224W 和 IBM Watson 提供的技术白皮书。 2. **书籍推荐** - *《Knowledge Graphs: Fundamentals, Techniques and Applications》* —— 这本书全面介绍了知识图谱的基础理论和技术实现路径。 - *《Building Knowledge Graphs with Python and RDFLib》* —— 实践导向型读物，适合希望动手实践的人群。 3. **在线课程平台** Coursera 上开设了一系列有关知识图谱的应用场景分析课件；而 edX 则更侧重算法原理讲解。 4. **开源项目体验** 尝试参与一些公开可用的知识图谱建设项目，像 DBpedia 或 Wikidata，能帮助加深对其工作流程的理解程度。 ```python from rdflib import Graph, Literal, BNode, Namespace, RDF, URIRef g = Graph() # 创建简单的三元组示例 exNs = Namespace("http://example.org/") g.add((URIRef('http://example.org/subject'), exNs.predicate, Literal('object'))) print(g.serialize(format='turtle').decode()) ``` 上述代码片段展示了如何利用 `RDFLib` 库创建基本的知识图谱三元组模型。 ---
评论 1
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Aidanmomo

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值