Vincy_King

NEL的最新详细综述~

这篇可以说是在Entity Linking in 100 Languages这篇论文的基础上改进的。1. Abstract本文提出了一种基于实例的最近邻实体链接方法。与大多数表示每个实体的单一向量的先前实体检索系统不同，作者构建了一个上下文化的提及编码器，它学习将同一实体的相似提及放在向量空间中而不是mention不同实体更接近。这种方法允许所有提到的实体都作为“类原型”，因为推理涉及从训练集中完整的标记实体集合中检索，并应用最近的提及邻居的实体标签。本文模型是在来自维基百科超链接的大型多语言语料库上训

1. Abstract实体链接面临着重大的挑战，例如大量的变化和普遍的歧义，特别是在具有无数实体的高价值领域（所以本文从医疗领域出发）。标准的分类方法存在注释瓶颈，不能有效地处理看不见的实体。zero-shot实体链接已经成为泛化到新实体的一个有希望的方向，但它仍然需要在训练中提到黄金实体和所有实体的规范描述，这两种方法都在维基百科之外很少可用。在本文中作文通过利用现成的领域知识来探索实体链接的知识环自我监督(KRISS)。在训练中，它使用领域本体在未标记文本上生成自我监督的mention示例，并使用对

Entity Linking in 100 Languages1. Abstract本文提出了一个新的多语言实体链接公式，其中特定语言的提到解决了一个与语言无关的知识库。在这个新的设置中，作者训练了一个双编码器，基于之前的工作，改进的特征表示、负挖掘和一个辅助实体配对任务，以获得一个包含100种+语言和2000万个实体的单一实体检索模型。该模型优于一个更有限的跨语言链接任务的最先进的结果。稀有实体和低资源语言在这种大规模的评估中提出了挑战，因此作者提倡增加对zero-shot和few-shot评价的关注

明天要开始对EL近期的相关工作进行总结啦，今天先来个小预告，我能说我很佛系吗，之前的那篇survey看了一下35页，差点就把我劝退了，不愧是菜鸡本人，详细版的综述下期再发吧（一把鼻涕一把泪）。Entity linking survey 【简要版】一、EL定义实体链接是将文本中提到的实体与其知识库中相应的实体链接起来的任务（把文本中的mention链接到KG里的entity），是解决实体间存在的歧义性问题。详细来说，给定一个富含一系列实体的知识库与已经标注好mention的语料，实体链接任务的目标是将每