지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 나승훈
- 발행연도
- 2021
- 저작권
- 전북대학교 논문은 저작권에 의해 보호받습니다.
이용수2
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
Entity Linking is the task of identifying a mention and linking it to the correct entry in a Knowledge Base, such as Wikipedia. Entity Linking is an essential task for information extraction and semantic text understanding. Entity Linking methods separately address Mention Detection and Entity Disambiguation.
Entity Linking models are classified into two types. Local models resolving mentions independently relying on textual context information from the surrounding words. Collective models are the main focus of this study, they encourage the target entities of all mentions in a document to be topically coherent.
In this study, we propose a Collective Entity Linking model that performs Collective Entity Linking using Graph Neural Networks (GNNs). These Networks use pre-trained Knowledge Graph Embeddings. Our calculates the weights between nodes using Knowledge Graph embeddings. We apply this by modifying Graph Attention Networks(GATs).
In addition, this study applies Knowledge Graph Embeddings to the CRF-based Collective Entity Linking model and Score-based Collective Entity Linking model.
Entity Linking models are classified into two types. Local models resolving mentions independently relying on textual context information from the surrounding words. Collective models are the main focus of this study, they encourage the target entities of all mentions in a document to be topically coherent.
In this study, we propose a Collective Entity Linking model that performs Collective Entity Linking using Graph Neural Networks (GNNs). These Networks use pre-trained Knowledge Graph Embeddings. Our calculates the weights between nodes using Knowledge Graph embeddings. We apply this by modifying Graph Attention Networks(GATs).
In addition, this study applies Knowledge Graph Embeddings to the CRF-based Collective Entity Linking model and Score-based Collective Entity Linking model.
목차
제1장 서 론 1제1절 연구배경 및 목적 1제2장 관련 연구 3제1절 엔터티 링킹 관련 연구 3제2절 지식 그래프 임베딩 관련 연구 5제3절 사전 학습 언어 모델 관련 연구 7제3장 지식 그래프 임베딩을 이용한 집합적 엔터티 링킹 모델 9제1절 지식 그래프 임베딩 사전 학습 모델 93.1.1 지식 그래프 93.1.2 지식 그래프 임베딩 사전 학습 모델 10제2절 지식 그래프 임베딩을 이용한 엔터티 링킹 모델 133.2.1 NIL 멘션 탐지를 이용한 엔터티 링킹 모델 133.2.2 GNNs 기반 지식 그래프를 이용한 엔터티 링킹 모델 163.2.3 CRF 기반 지식 그래프를 이용한 엔터티 링킹 모델 183.2.4 점수 기반 지식 그래프를 이용한 엔터티 링킹 모델 20제4장 실험 및 결과 22제1절 실험 데이터 통계 및 세팅 224.1.1 위키피디아 문서 224.1.2 개체-멘션 사전 구축 224.1.3 후보 개체 생성 234.1.4 지식 그래프 임베딩 학습을 위한 트리플 결정 234.1.5 모델 파라미터 244.1.6 평가 지표 24제2절 실험 결과 254.2.1 개체 중의성 해결 실험 결과 254.2.1.1 다양한 Score 함수 비교 실험 결과 254.2.1.2 CRF 모델 비교 264.2.1.3 실험 결과 264.2.2 엔터티 링킹 실험 결과 27제5장 결론 28제1절 연구요약 및 결론 28제2절 연구의 한계 및 과제 285.2.1 NIL 멘션 탐지를 이용한 엔터티 링킹 모델 285.2.2 데이터셋 확장 및 hop 증가 28참 고 문 헌 29
최근 본 자료
댓글(0)
0