融合卷积神经网络和重启随机游走的实体链接方法

doi:10.13190/j.jbupt.2017-127

北京邮电大学学报 ›› 2018, Vol. 41 ›› Issue (1): 65-69.doi: 10.13190/j.jbupt.2017-127

融合卷积神经网络和重启随机游走的实体链接方法

谭咏梅¹, 李晓光¹, 吕学强²

1. 北京邮电大学智能科学与技术中心, 北京 100876;
2. 北京信息科技大学网络文化与数字传播北京市重点实验室, 北京 100101

收稿日期:2017-07-03 出版日期:2018-02-28 发布日期:2018-01-04
作者简介:谭咏梅(1975-),女,副教授,E-mail:ymtan@bupt.edu.cn.
基金资助:
国家自然科学基金面上项目（61671070）；网络文化与数字传播北京市重点实验室开放课题项目（ICDD201703）

An Entity Discover and Linking Approach Based on Convolutional Neural Network and Random Walk with Restart

TAN Yong-mei¹, LI Xiao-guang¹, LÜ Xue-qiang²

1. Intelligence Science and Technology Center, Beijing University of Posts and Telecommunications, Beijing 100876, China;
2. Beijing Key Laboratory of Internet Culture and Digital Dissemination Research, Beijing Information Science and Technology University, Beijing 100101, China

Received:2017-07-03 Online:2018-02-28 Published:2018-01-04

摘要/Abstract

摘要： 提出了一种融合卷积神经网络和重启随机游走的实体链接方法.该方法首先对文本中的指称进行识别，然后生成指称的候选实体集，随后使用融合卷积神经网络和重启随机游走的实体链接方法对候选实体进行选择，最后对在知识库中无对应实体的指称进行聚类.该方法在TAC-KBP2016的实体识别与链接评测数据集上的F_CEAFm值为0.652，2016年评测第1名的F_CEAFm为0.643，实验结果表明，使用融合卷积神经网络和重启随机游走的实体链接方法能够有效地进行实体链接.

关键词: 实体链接, 卷积神经网络, 重启随机游走

Abstract: An entity linking approach based on convolutional neural network and random walk with restart was presented. This method first discovers the mentions in the text, after generates the mention candidate entity set, then selects the candidate entity using the entity linking approach based on convolutional neural network and random walk with restart and clusters the mentions those do not have the corresponding entity in the knowledge base. Our method F_CEAFm is 0.652 on the TAC-KBP2016 entity discovery and linking evaluation data set, and the first team is 0.643. The results show our method can effectively solve this problem.

Key words: entity linking, convolutional neural network, random walk with restart

中图分类号:

TN911.22

谭咏梅, 李晓光, 吕学强. 融合卷积神经网络和重启随机游走的实体链接方法[J]. 北京邮电大学学报, 2018, 41(1): 65-69.

TAN Yong-mei, LI Xiao-guang, LÜ Xue-qiang. An Entity Discover and Linking Approach Based on Convolutional Neural Network and Random Walk with Restart[J]. JOURNAL OF BEIJING UNIVERSITY OF POSTS AND TELECOM, 2018, 41(1): 65-69.

参考文献

[1] Ji Heng, Nothman Joel, Dang Hoa Trang. Overview of TAC-KBP2016 tri-lingual EDL and its impact on end-to-end cold-start KBP[C]//TAC. Gaithersburg, Maryland:National Institute of Standards and Technology, 2016:21-35.
[2] 李茂林. 基于主题敏感的重启随机游走实体链接方法[J]. 北京大学学报(自然科学版), 2016, 52(1):17-24. Li Maolin. An entity linking approach based on topic-sensitive random walk with restart[J]. Acta Scientiarum Naturalium Universitatis Pekinensis, 2016, 52(1):17-24.
[3] He Zhengyan, Liu Shujie, Song Yang, et al. Efficient collective entity linking with stacking[C]//EMNLP. Seattle:Association for Computational Linguistics, 2013:426-435.
[4] Sun Yaming, Lin Lei, Tang Duyu, et al. Modeling mention, context and entity with neural networks for entity disambiguation[C]//International Conference on Artificial Intelligence. Buenos Aires:AAAI Press, 2015:1333-1339.
[5] Matthew Francis, Durrett Greg, Klein Dan. Capturing semantic similarity for entity linking with convolutional neural networks[C]//Conference of the North American Chapter of the Association for Computational Linguistics:Human Language Technologies. San Diego:Association for Computational Linguistics, 2016:1256-1261.
[6] Guo Zhaochen, Barbosa Denilson. Robust entity linking via random walks[C]//ACM International Conference on Information and Knowledge Management. Shanghai:ACM, 2014:499-508.
[7] Tan Yongmei, Li Xiaoguang, Zheng Di. BUPTTeam participation at TAC 2016 knowledge base population[C]//TAC. Gaithersburg, Maryland:National Institute of Standards and Technology, 2016:55-60.
[8] Hadsell Raia, Chopra Sumit, Lecun Yann. Dimensionality reduction by learning an invariant mapping[C]//IEEE Computer Society Conferenc on Computer Vision and Pattern Recognition. New York:IEEE Computer Society, 2006:1735-1740.

[1]	余佳润王亚峰. 一种低信噪比下基于深度学习的DoA估计方法[J]. 北京邮电大学学报, 2022, 45(6): 119-125.
[2]	叶康张淑军郭淇李辉崔雪红. 基于CM-Transformer的连续手语识别[J]. 北京邮电大学学报, 2022, 45(5): 49-53,78.
[3]	武兴坤, 罗涛, 刘爱军, 杨明, 张文静. 面向主动脉缩窄辅助诊断的神经网络模型设计[J]. 北京邮电大学学报, 2022, 45(4): 1-6.
[4]	武兴坤罗涛刘爱军杨明张文静李剑峰李文秀. 面向主动脉缩窄辅助诊断的神经网络模型设计[J]. 北京邮电大学学报, 2022, 45(4): 1-6.
[5]	许同乐, 孟良, 孔晓佳, 苏元浩, 孙砚飞. 基于EEMD的ICNN故障诊断方法[J]. 北京邮电大学学报, 2022, 45(2): 110-116.
[6]	李晓辉, 王先文, 樊韬, 刘佳文, 万宏杰. 基于卷积神经网络的高性能5G下行同步算法[J]. 北京邮电大学学报, 2022, 45(2): 117-123.
[7]	王靖, 姜竹青, 门爱东, 郭晓强, 王智康. 阶梯式图像去噪方法[J]. 北京邮电大学学报, 2022, 45(1): 52-57.
[8]	刘永利, 朱亚孟, 晁浩. 多策略MRFO算法的卷积神经网络超参数优化[J]. 北京邮电大学学报, 2021, 44(6): 83-88,95.
[9]	普运伟, 郭江, 刘涛涛, 吴海潇. 基于多学习单元卷积神经网络的雷达辐射源信号识别[J]. 北京邮电大学学报, 2021, 44(6): 74-82.
[10]	王艺霏, 莫爽, 吴文睿, 范少华, 肖丁. 基于内外卷积网络的网络入侵检测[J]. 北京邮电大学学报, 2021, 44(5): 94-100.
[11]	刘国桢, 陈鸿龙. 卷积记忆图协同过滤[J]. 北京邮电大学学报, 2021, 44(3): 21-26.
[12]	彭鹏, 李卓, 梁纪峰, 马天祥, 刘开华. 支持泛洪攻击检测的命名数据网PIT[J]. 北京邮电大学学报, 2021, 44(2): 61-67.
[13]	曹毅, 黄子龙, 盛永健, 刘晨, 费鸿博. D-2-DenseNet噪音鲁棒的城市音频分类模型[J]. 北京邮电大学学报, 2021, 44(1): 86-91.
[14]	蒲悦逸, 王文涵, 朱强, 陈朋朋. 基于CNN-ResNet-LSTM模型的城市短时交通流量预测算法[J]. 北京邮电大学学报, 2020, 43(5): 9-14.
[15]	谢晓燕, 赵欢, 蒋林. 基于视频数据特性的动态手势识别[J]. 北京邮电大学学报, 2020, 43(5): 91-97.

融合卷积神经网络和重启随机游走的实体链接方法

An Entity Discover and Linking Approach Based on Convolutional Neural Network and Random Walk with Restart

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价