将知识库信息注入端到端联合实体与关系抽取及共指消解

我们考虑一种联合信息抽取（Information Extraction, IE）模型，该模型在整篇文档范围内联合解决命名实体识别、共指消解和关系抽取任务。具体而言，我们研究如何基于无监督实体链接（Entity Linking, EL）将知识库（Knowledge Base, KB）中的信息注入此类IE模型中。所采用的KB实体表示分别来自（i）超链接文本文档（如维基百科）或（ii）知识图谱（如Wikidata），二者在提升IE性能方面表现出互补性。我们将对应实体链接候选项的表示添加至输入文档中文本片段的表示中，并分别实验了两种策略：（i）基于候选项在维基百科中的先验概率对实体链接候选表示进行加权平均；（ii）在实体链接候选列表上采用注意力机制进行融合。实验结果表明，在两个数据集上，所评估的IE任务F1分数最高提升了5%。尽管基于先验概率的模型已表现出较强性能，但我们的定量与定性分析均揭示了采用注意力机制方法的显著优势。