基 于 CNN 和深层 语 义 匹 配 的 中 文 实 体 链 接 模 型
吴晓崇 段跃兴 张月琴 闫 雄
太原理工大学信息与计算机学院 山西 晋中
摘 要 实体链接是知识图谱领域的重要研究内容 现有的实体链接模型研究大多集中在对手工特征
的选择上 不能很好地利用实体间的语义信息来实现更高效的实体链接效果 故提出一个基于深度语义
匹配模型和卷积神经网络的实体链接模型 候选实体生成阶段采用构造同名字典 并基于上下文进行字典
扩充 通过匹配来选择候选实体集 通过卷积神经网络来捕获深层语义信息 进行特征提取 并将其作为
语义匹配模型的输入 通过模型训练学习选择出最佳参数 并输出语义相似度最高的候选实体作为实体链
接的结果 在 NLP & CCERL 数据集上较 Ranking SVM 模型准确率提升了 达到
实验结果表明了提出的新模型性能优于当前的主流模型
关键词 实体链接 知识图谱 卷积神经网络 深层语义模型 语义相似度
中图分类号 TP 文献标志码 A
doi
j
issn X
A Chinese entity linking model based on CNN
and deep structured semantic model
WU Xiaochong DUAN Yuexing ZHANG Yue
q
in YAN Xiong
College of Information and Computer Taiyuan University of Technology Jinzhong China
Abstract Entity Linking is an important research content in the field of Knowledge Graph Most of
the existing entity linking models focus on the selection of manual features which cannot make good use
of the semantic information between entities to achieve better efficient entity linking effect Therefore
an improved entity linking model based on deep structured semantic model and convolutional neural net
work is proposed It captures deep semantic information and extracts features through CNN and uses
them as input of the deep structured semantic model It selects the best parameter through model train
ing and outputs candidate entities with the highest semantic similarity as the result of entity linking
Compared with the ranking SVM model the proposed model improves the accuracy by to
on the NLP & CCERL dataset The experimental results show that the proposed model is effective
and superior to the current mainstream model in entity linking tasks
Key words entity linking knowledge graph convolutional neural network deep structured semantic
model semantic similarity
1 引言
知识图谱 KG Knowledge Graph是一种语义
网 知识图谱以图形的方式来展现实体以及实体之
间的关系
实体链接 ELEntity Linking 主要是
用于消除异构数据中实体冲突 指向不明等不一致
性问题
是知识图谱扩充的关键技术 同时也是自
然语言处理领域里众多任务的基本组成部分 随着
网络中文本数据大量涌现 邮件 博客 微博 评论等
收稿日期 修回日期
基金项目 国家自然科学基金
通信地址 山西省晋中市太原理工大学信息与计算机学院
Address College of Information and Computer Taiyuan U niversity of Technology Jinzhong Shanxi P R China
CN TP
ISSN X
计算机工程与科学
Computer Engineering & Science
第 卷第 期 年 月
Vol No Aug
文章编号 X
剩余6页未读，继续阅读
资源评论
