模式识别与人工智能
2025年4月3日 星期四   首 页     期刊简介     编委会     投稿指南     伦理声明     联系我们                                                                English
模式识别与人工智能  2018, Vol. 31 Issue (12): 1127-1133    DOI: 10.16451/j.cnki.issn1003-6059.201812008
研究与应用 最新目录| 下期目录| 过刊浏览| 高级检索 |
基于注意力机制的问句实体链接
任朝淦1,2, 杨燕1,2, 贾真1,2, 唐慧佳1, 喻琇瑛1
1.西南交通大学 信息科学与技术学院 成都 611756
2.西南交通大学 四川省云计算与智能技术高校重点实验室 成都 611756
Attention Mechanism Based Question Entity Linking
REN Chaogan1,2, YANG Yan1,2, JIA Zhen1,2, TANG Huijia1, YU Xiuying1
1.School of Information Science and Technology, Southwest Jiaotong University, Chengdu 611756
2.Key Laboratory of Cloud Computing and Intelligent Technology of Sichuan Province, Southwest Jiaotong University, Chengdu 611756

全文: PDF (976 KB)   HTML (1 KB) 
输出: BibTeX | EndNote (RIS)      
摘要 问句实体链接不仅需要大量的数据处理和特征选择工作,而且容易形成错误累积,降低链接效果.针对这种情况,文中提出基于注意力机制的编码器-解码器问句实体链接模型.模型使用双向的长短期记忆网络编码问句,经过注意力机制解码,生成对应的实体指称和消歧信息输出,最后链接到知识库实体.在有关汽车领域车系产品问句和实体数据集上的实验表明,文中模型仅利用较少的上下文信息便可取得良好效果.
服务
把本文推荐给朋友
加入我的书架
加入引用管理器
E-mail Alert
RSS
作者相关文章
任朝淦
杨燕
贾真
唐慧佳
喻琇瑛
关键词 问句实体链接注意力机制编码器-解码器长短期记忆网络生成模型    
Abstract:In question entity linking, a large amount of work in data processing and feature selection is required, cumulative errors are caused easily and the linking effect is reduced. To address the issues, an attention mechanism based encoder-decoder model for entity linking(AMEDEL) is proposed. In this model, long short-term memory network is utilized to encode the questions. Then, entity mentions and disambiguation information are generated as outputs through the decoder process by attention mechanism. Finally, these outputs are linked to the entities in knowledge base. The experiments are conducted on a dataset of questions and entities about products in automotive field. The results show that the proposed model obtains satisfactory results by only employing rare contextual information.
Key wordsQuestion Entity Linking    Attention Mechanism    Encoder-Decoder    Long Short-Term Memory Network    Generative Model   
收稿日期: 2018-09-21     
ZTFLH: TP 391  
基金资助:国家自然科学基金项目(No.61572407)、国家科技支撑计划课题(No.2015BAH19F02)资助
作者简介: 任朝淦,硕士研究生,主要研究方向为自然语言处理、深度学习.E-mail:rqy@my.swjtu.edu.cn.
杨 燕(通讯作者),博士,教授,主要研究方向为人工智能、大数据分析与挖掘、集成学习.E-mail:yyang@swjtu.edu.cn.
贾 真,博士,讲师,主要研究方向为知识图谱、自然语言处理.E-mail:zjia@swjtu.edu.cn.
唐慧佳,硕士,教授,主要研究方向为云服务系统与技术.E-mail:hjtang@swjtu.edu.cn.
喻琇瑛,博士,讲师,主要研究方向为信息安全.E-mail:xyyu@swjtu.edu.cn.
引用本文:   
任朝淦, 杨燕, 贾真, 唐慧佳, 喻琇瑛. 基于注意力机制的问句实体链接[J]. 模式识别与人工智能, 2018, 31(12): 1127-1133. REN Chaogan, YANG Yan, JIA Zhen, TANG Huijia, YU Xiuying. Attention Mechanism Based Question Entity Linking. , 2018, 31(12): 1127-1133.
链接本文:  
http://manu46.magtech.com.cn/Jweb_prai/CN/10.16451/j.cnki.issn1003-6059.201812008      或     http://manu46.magtech.com.cn/Jweb_prai/CN/Y2018/V31/I12/1127
版权所有 © 《模式识别与人工智能》编辑部
地址:安微省合肥市蜀山湖路350号 电话:0551-65591176 传真:0551-65591176 Email:bjb@iim.ac.cn
本系统由北京玛格泰克科技发展有限公司设计开发 技术支持:support@magtech.com.cn