NPEL：网页表格中的神经配对实体链接

《ACM Transactions on Asian and Low-Resource Language Information Processing》：NPEL: Neural Paired Entity Linking in Web Tables

本文针对Web表格实体链接中上下文信息利用不足及实体相关性假设不合理的问题，提出NPEL框架。通过融合多类型上下文信息的深度学习模型和注意力机制优化相似度计算，并采用迭代选择高置信 Mention的策略打破传统行/列实体关联假设，实验表明NPEL在多项指标上优于现有基线。

　　

摘要

本文研究了网页表格中的实体链接（Entity Linking, EL）技术，该技术旨在将表格单元格中的字符串提及与知识库中的相应实体关联起来。以往的研究存在两个主要问题：1) 在提及实体相似性计算中未能充分利用上下文信息；2) 假设同一行或同一列中的所有实体彼此高度相关这一前提并不总是正确的。在本文中，我们提出了一个新的神经并行实体链接框架 NPEL（Neural Paired Entity Linking），以解决上述问题。在 NPEL 中，我们设计了一个包含多种神经网络和注意力机制的深度学习模型，用于处理提及和实体的不同类型上下文信息，从而实现网页表格中的提及实体相似性计算。此外，NPEL 通过一种新的配对实体链接算法放宽了实体相关性的假设，该算法会迭代选择最具置信度的两个提及进行实体链接。在真实世界数据集上的实验表明，NPEL 在各种评估指标上的表现均优于现有的最佳算法。