寫在前面

最近剛開始調(diào)研實(shí)體消歧方面的相關(guān)工作，這里先開一個(gè)頭吧。希望大家可以通過這篇簡要的文章對實(shí)體消歧任務(wù)本身有一個(gè)基本的認(rèn)識。

1. 背景：詞義消歧與實(shí)體消歧

1.1 詞義消歧

自然語言文本中存在著大量的多義詞，而多義詞的存在也會影響人對文本的語義理解，讓人對文本的意思產(chǎn)生混淆。

詞義消岐(Word Sense Disambiguation，簡稱WSD) 是NLP中一個(gè)非常基本的任務(wù)，旨在確定多義詞在具體語境中的確切意義。

在詞義消歧中，同一詞語的不同義項(xiàng)會作為候選詞。我們需要在所有候選詞中找到與文本中目標(biāo)詞語最接近的那個(gè)義項(xiàng)。這里“義項(xiàng)”指的是詞是詞典中的某個(gè)具體表示。

如上圖所示，「蘋果」在百度百科中共有25個(gè)義項(xiàng)，單說「蘋果」我們可能并不知道說的是「蘋果公司」還是「水果里的蘋果」。但結(jié)合具體的上下文語境，我們就可以很好地對「蘋果」消歧，從而明確「蘋果」的具體含義：

1.2 實(shí)體消歧

實(shí)體鏈指/實(shí)體鏈接(Entity Linking，簡稱 EL) 在知識圖譜構(gòu)建、信息檢索和問答系統(tǒng)等領(lǐng)域具有廣泛的應(yīng)用價(jià)值。

實(shí)體鏈指的主要目標(biāo)是識別上下文中的實(shí)體指稱具體指代現(xiàn)實(shí)世界中的哪一個(gè)實(shí)體，也就是將實(shí)體指稱項(xiàng)映射到知識庫中的相應(yīng)實(shí)體上去。

具體而言，實(shí)體鏈指一般包括實(shí)體識別、候選實(shí)體獲取、實(shí)體消歧這三個(gè)主要環(huán)節(jié)。之所以需要實(shí)體消歧，而不是直接將實(shí)體識別的結(jié)果放入知識圖譜的原因主要有兩方面：

多樣性（即多詞同義）：同一實(shí)體在文本中會有不同的指稱。比如：甜瓜、安東尼、和瓜哥都指美國職業(yè)籃球運(yùn)動員卡梅隆·凱恩·安東尼。

歧義性（即一詞多義）：相同的實(shí)體指稱在不同的上下文中可以指不同的實(shí)體。比如：邁克爾·喬丹可能指美國籃球運(yùn)動員，也可能指愛爾蘭政治家等。

1.3 總結(jié)

從以上說明來看，其實(shí)詞義消歧與實(shí)體消歧具有一定相似性, 二者的目的都是處理文本中詞匯歧義的問題. 主要區(qū)別在于：

在詞義消歧中的詞義通常是固定的, 可根據(jù)目標(biāo)詞在詞典中的義項(xiàng)來列舉;

在實(shí)體消歧中, 實(shí)體詞義無法列舉，所以需要前序步驟候選實(shí)體獲取；

此外，實(shí)體詞的詞義數(shù)目大于普通詞，這個(gè)主要還是跟知識庫的量級相關(guān)。

2. 相關(guān)論文

這里我們主要給大家推薦兩篇近期發(fā)表的論文：

詞義消歧：《ESC: Redesigning WSD with Extractive Sense Comprehension》

實(shí)體消歧：《ExtEnD: Extractive Entity Disambiguation》

兩篇論文的模型都非常簡單，個(gè)人覺得關(guān)鍵或者說亮點(diǎn)主要在于他們對問題的轉(zhuǎn)換。其實(shí)，從這兩篇論文的名字就能看出端倪：都是將消歧問題轉(zhuǎn)換成了抽取式問題。

2.1 EXTENE 實(shí)體消歧

論文名稱：《ExtEnD: Extractive Entity Disambiguation》

論文鏈接：https://aclanthology.org/2022.acl-long.177.pdf

代碼地址：https://github.com/SapienzaNLP/extend.

如上圖所示，EXTEND將實(shí)體消歧任務(wù)轉(zhuǎn)換為了抽取式任務(wù)，或者說MRC類任務(wù)。具體地：

將含有目標(biāo)實(shí)體指稱項(xiàng)的文本當(dāng)作Query；

將知識庫中對應(yīng)的所有候選實(shí)體及其描述當(dāng)作Context；

二者拼接然后預(yù)測Answer的Span（startend prediction，start-end matching），這里的Answer就是在知識庫中目標(biāo)實(shí)體指稱實(shí)際關(guān)聯(lián)的實(shí)體。

好了，這就是EXTEND論文的核心思想。是不是感覺模型已經(jīng)躍然紙上了，整體上應(yīng)該和我們之前在 一文詳解關(guān)系抽取模型 CasRel、實(shí)體識別LEAR論文閱讀筆記、 實(shí)體識別BERT-MRC論文閱讀筆記中介紹過的模型類似。

2.2 ESC 詞義消歧

論文名稱：《ESC: Redesigning WSD with Extractive Sense Comprehension》

論文鏈接：https://aclanthology.org/2021.naacl-main.371.pdf

代碼地址：https://github.com/SapienzaNLP/esc

ESC的模型架構(gòu)和EXTEND是相似的。整體上首先將輸入的上下文和目標(biāo)詞的所有義項(xiàng)拼接，模型的輸出則是目標(biāo)詞真正義項(xiàng)的起始和終止位置。

2.3 總結(jié)

論文的具體細(xì)節(jié)就不在本文里贅述了，大家可根據(jù)鏈接下載原文閱讀。此外，兩篇論文都公布了源碼，大家也可以快速利用源碼在一些開源數(shù)據(jù)上進(jìn)行實(shí)驗(yàn)。

當(dāng)然也有一些相關(guān)比賽，比如百度：實(shí)體鏈指[1]目前就還在進(jìn)行中：

我目前看到的幾個(gè)還是比較一致的做法，打分排序：

比如實(shí)體鏈指比賽方案分享[2]：

CCKS&百度 2019中文短文本的實(shí)體鏈指 第一名解決方案[3]：

大家可以將論文的模型適配到中文場景下，然后嘗試在這個(gè)比賽的實(shí)體消歧環(huán)節(jié)使用，看看效果如何。

還是一樣，如果本文對你有幫助的話，歡迎點(diǎn)贊&在看&分享，這對我繼續(xù)分享&創(chuàng)作優(yōu)質(zhì)文章非常重要。感謝！

參考資料

[1]

百度：實(shí)體鏈指: https://aistudio.baidu.com/aistudio/competition/detail/83/0/introduction

[2]

實(shí)體鏈指比賽方案分享: https://aistudio.baidu.com/aistudio/projectdetail/1331020?channelType=0&channel=0

[3]

CCKS&百度 2019中文短文本的實(shí)體鏈指 第一名解決方案: https://github.com/panchunguang/ccks_baidu_entity_link

審核編輯 ：李倩