【例会】Using a Knowledge Graph and Query Click Logs for Unsupervised Learning of Relation Detection

主持人:刘硕

参会老师:杨矫云  阙夏

参会学生:韩朋、景波、江思源、唐晨、刘杰、滕越、赵春阳、刘硕、程坤、段优,殷越、郭思伊、李雨龙、贵芳

本次例会主要学习讨论了文章

Hakkanitur D , Heck L , Tur A G . Using a Knowledge Graph and Query Click Logs for Unsupervised Learning of Relation Detection[C]// IEEE International Conference on Acoustics. IEEE, 2013.

背景

2012年Google提出知识图谱(knowledge graph)概念,知识图谱技术发展迅速,本质上是一种大规模语义网络。知识图谱可以用来更好的查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。

问题

如何不根据目标应用程序构建模型,而是依赖于已经定义并填充在目标领域的知识图中的语义空间来构建模型。

假设

提出了一种无监督方法,利用语义网的语义知识图训练关系检测模型。

方法

为了实现关系检测的引导,我们通过在万维网中搜索相互关联的实体对来训练实例,并进一步从用户的搜索查询点击记录中挖掘相关查询来完善训练。

使用每个关系片段的完整字符串作为训练示例。较长的片段用解析器进行解析,解析后选择最小的依赖子树,并在子树中使用词序列来剪切片段。

为了细化包含多个关系的示例的注释,根据知识图,检索搜索实体的所有属性。然后在示例中搜索它们,如果找到匹配的字符串,则将匹配关系添加到该示例的注释中。

实验

根据搜索引擎查询点击记录,以查找用户点击中的查询。使用这些带有关系标签的查询作为关系检测的训练示例。将关系检测作为一个多类、多标签的分类问题,并使用基于增强的分类器,以单字图、二字图和三字图为特征进行实验。

结果

通过使用搜索结果的完整片段,可以获得比使用主体类更好的F-measure值。当进一步剪辑这些例子并改进它们的注释时,在Targeted Macro-F上获得了9%的相对提升,在Micro-F上获得了7%的相对提升。

总结与展望

提出了一种无监督关系检测方法,该方法依赖于通过搜索从知识图中提取的实体对来挖掘新的知识,这些实体对由特定类型的关系连接起来。未来的工作将这种方法从关系检测扩展到空白填充和语义解释,并拓展它在多语言自然语言理解中的应用。

anyShare分享到:
This entry was posted in 例会, 新闻动态. Bookmark the permalink.

发表评论