论文浅尝 - JWS2020 | FEEL: 实体抽取和链接的集成框架

论文笔记整理，谭亦鸣，东南大学博士生。

---

来源：JWS 2020

链接：https://www.sciencedirect.com/science/article/pii/S157082682030010X?via%3Dihub

介绍

实体抽取和链接（Entity extraction and linking, EEL）是语义网的一个重要任务，它能够从文本中识别现实世界的对象，并关联到知识库中的相应资源上。因此，EEL任务的一个目标是从文本中抽取知识。近年来，一些EEL系统被提出，它们着眼于不同的领域，语言以及知识库。这种情况下，一些尝试结合不同EEL系统优势的集成系统被提出，以提供比单一系统更好的性能。但是，目前尚没有一个清晰的全局配置指导，用于帮助集成系统选择，配置EEL系统，以及结果的融合。这篇论文提出一个框架，通过对系统选择，输入参数配置，系统执行以及最终的答案融合提供建议（答案融合基于一个对实体出现及重叠的过滤策略建立），从而构建融合EEL系统。基于这个框架，作者使用现有EEL系统实现了一个集成系统，通过GERBIL框架的实验结果表明，在七个数据集上，相对于单一EEL系统，集成系统的微观/宏观精度与召回率均有提高。

动机

集成EEL系统能够利用不同EEL系统的优势，从而得到比单一系统更好的性能。集成系统的一般思路是将两个或更多的EEL系统的输出统一为一个候选结果集。此外，多系统的命名实体抽取结果合成，亦能够比单一系统识别出更多的实体。

但是，集成EEL涉及到不同阶段的系统选择，参数配置以及集成决策，从而实现具有同类结果的系统。首先，对于EEL系统的选择与执行，包括领域，资源需求以及实现环境等多个因素需要被考虑。第二，在参数配置方面，输入参数的选择显然会直接影响到输出结果。例如，置信度参数控制命名实体在提及与URIs之间的匹配程度。最后，不同EEL系统的组合可能产生重复/部分重叠的实体元组（不同命名实体共享了一个文本中的提及）。因此，为集成系统提供系统选择，配置及结果融合的建议是一个明确的发展需要。

方法

本文提出FEEL（Frameworkfor the integration of Entity Extraction and Linking systems）,旨在为集成EEL系统提供一个具有整体设定的推荐，概念以及任务的结构。图2中描述了该框架的三个主要阶段：

1.参数配置：

a)系统选择，以开放域数据场景为例，四个EEL系统被用于集成系统的实现（TagMe, DBpedia Spotlight, Babelfy, WAT），系统的选择遵循(i) 系统的研究报告中具备精准度和召回率之间的平衡。 (ii) 系统能够处理多个领域/包含不同特征的数据集。(iii) （免费）可用。

b)资源管理，针对EEL系统所需的软硬件资源的管理

c)参数调试，一般而言，EEL系统具有一些输入参数，例如置信度，输入文本，语言，输出格式，token-key等。这一步涉及对最常见输入参数（尤其置信度）的描述和配置。

i.置信度：置信度作为一个阈值，控制了从文本中抽取命名实体的数量，一般一个更高的置信度代表（获取实体的）高精度，但一定程度上损失召回。相对于使用基于经验的参数配置，FEEL选择基于GERBIL框架，通过在一个确定数量的数据集上对不同系统进行测试，从而确定参数配置，主要策略包括：

1.数据集选择，领域相关性

2.使用EEL系统在所选数据集上进行（多次）实验，获取micro-F1结果

3.获取产生F1结果较好的置信度区间

4.获取置信度区间的中间值

5.视情况对置信度配置值向上可选

ii.提取类型。EEL可选的提取类型包括：仅从文本中做实体抽取（而不链接），或仅将抽取出的实体标注为特定类别而非具体实例。

iii.输入文本：一般就是纯文本

iv.语言：EEL系统能识别和覆盖不同的语言（若系统未检测到输入文本的语言，则必须指定该项）

v.输出格式，系统需支持输出实体的不同格式（如基于LinkData的格式）

vi.Token-key，这个主要是为了限制（每日的）用户请求，用于成本控制

2.系统调用：系统调用的目标是对于给定的输入文本获取一组命名实体元组，主要包含两个部分：

a) Request preparation：这里主要考虑系统的调用和异常处理，假定某个EEL系统的执行出现故障，集成系统应该能够继续执行剩余EEL以获得尽可能多的结果

b) Field parser：这一步主要涉及单个EEL系统检索得到的命名实体，指的是不同输出的实体标识，其中必须包含实体元组元素

3.数据合并：由EEL获得的结果里往往存在重叠情况，这种情况需要被过滤以得到统一的结果，在过滤方面有四个因素需要被考虑：

a)实体频率，低于某个频率阈值的实体需要被移除。

b)重复的提及，当两个或更多的实体对应了相同的文本提及时，需要通过排序选择最可能一个。这里作者采用了频率排序的方式进行过滤。

c)重复元组的去重。

d)局部实体重叠，这里指命名实体之间的提及存在局部重叠的情况，FEEL选择保留提及长度最长的部分。

过滤过程见算法1:

实验

数据集

用于调参的数据集的统计信息如下表

单一EEL系统在各数据集上的F1结果，用于参数配置

强弱匹配情况下，各独立EEL的实验结果

最好的单一系统与FEEL集成系统的实验结果对比

其他实验细节结果请见论文原文。

---

 

OpenKG

开放知识图谱（简称 OpenKG）旨在促进中文知识图谱数据的开放与互联，促进知识图谱和语义技术的普及和广泛应用。

点击阅读原文，进入 OpenKG 博客。