【读论文】Scalable Zero-shot Entity L

系统简称：BLINK
发表会议：EMNLP 2020
研究领域：实体链接（实体候选生成与消歧，不包括mention识别）
作者团队：Facebook AI Research

论文链接：https://www.aclweb.org/anthology/2020.emnlp-main.519/

该工作提出了一种two-stage方法来完成zero-shot entity linking任务，主要基于fine-tuned BERT。

在第一个阶段，通过一个bi-encoder来检索所有与mention相关的实体；在第二个阶段，使用一个cross-encoder来对候选实体进行度量。注意，该工作核心为实体消歧，实体mention识别假定已经给出。（实际实现中使用Flair给出候选）

该工作在一个zero-shot entity linking benchmark上提升了近6个点；并且在TACKBP-2010数据集上取得了SOTA。

任务定义

Entity Linking

简单地说，就是给定一段文本，从文本中识别出entity mention并链接到特定的知识库上

Zero-shot Entity Linking

在测试集中出现过的实体在训练集中从未出现过

主要方法

本文的bi-encoder和cross-encoder主要是基于Bert模型。

bi-encoder

bi-encoder主要负责将(mention,entity)对进行编码到一个稠密向量空间。

其中和分别为mention和实体的表示，和是两个Transformer，表示bert的[CLS]输出。

mention的表示

由mention以及前后上下文表示：

[]表示mention的开头，[]表示Mention结束

entity的表示

由entity 的title和description表示

[]表示将实体的title和description分割开

candidate entity 的打分

很简单，只要度量和的相似度即可，这里采用内积：

训练时的优化目标

用了softmax loss，让正例的相似度尽可能大，负例的相似度尽可能小。
这里采用了batched random negatives，即正负样例都以当前batch为准

Inference

entity mention和candidate可以预先识别并缓存好，只需找到最大相似度的candidate即可。
作者这里使用了brute-force search，
当然还有更好的方式，如快速近邻搜索库FAISS等

Cross-encoder

输入：context和mention的表示，以及实体的表示(去掉了实体的[CLS])。这样模型可以获得一个context和entity的深层cross attention。
最终的context-candidate embedding:

context-candidate打分

用一个线性层进行打分。

优化目标

和bi-encoder一样，同样是softmax loss

实验

数据集：

• Zero-shot EL dataset
• TACKBP-2010
• WikilinksNED Unseen-Mentions

结果