In der Verarbeitung natürlicher Sprache bezeichnet Entity Linking , auch bekannt als Named-Entity-Disambiguierung (NED), Named-Entity-Erkennung und -Disambiguierung (NERD), Named-Entity-Normalisierung (NEN) [ 1 ] oder Konzepterkennung , die Aufgabe, Entitäten (wie beispielsweise bekannten Persönlichkeiten, Orten oder Unternehmen), die in einem Text erwähnt werden, eine eindeutige Identität zuzuweisen. [ 2 ] Beispielsweise besteht die Hauptidee im Satz „Paris ist die Hauptstadt von Frankreich“ darin , zunächst „Paris“ und „Frankreich“ als benannte Entitäten zu identifizieren und anschließend festzustellen, dass sich „Paris“ auf die Stadt Paris und nicht auf Paris Hilton oder eine andere Entität bezieht, die mit „Paris“ gleichgesetzt werden könnte, und dass „Frankreich“ das Land Frankreich meint .

Die Aufgabe der Entitätsverknüpfung besteht aus 3 Teilaufgaben.

  1. Named-Entity-Erkennung : Extraktion von benannten Entitäten aus einem Text.
  2. Kandidatengenerierung: Für jede benannte Entität werden mögliche Kandidaten aus einer Wissensbasis (z. B. Wikipedia , Wikidata , DBPedia , ...) ausgewählt.
  3. Mehrdeutigkeitsklärung: Wählen Sie die richtige Entität aus dieser Kandidatenliste aus.

Bei der Entitätsverknüpfung wird jede benannte Entität mit einer eindeutigen Kennung verknüpft. Häufig entspricht diese Kennung einer Wikipedia-Seite.

Einführung

Beim Entity Linking werden relevante Wörter (Namen von Personen, Orten und Unternehmen) aus einem Eingabetext auf entsprechende eindeutige Entitäten in einer Zielwissensbasis abgebildet . Diese relevanten Wörter werden als Named Entities (NEs), Mentions oder Surface Forms bezeichnet. Die Zielwissensbasis hängt von der beabsichtigten Anwendung ab. Für Entity-Linking-Systeme, die mit frei zugänglichen Texten arbeiten sollen, werden häufig Wissensbasen verwendet, die auf Wikipedia basieren (z. B. Wikidata oder DBpedia ). [ 1 ] [ 3 ] In diesem Fall wird jede einzelne Wikipedia-Seite als separate Entität betrachtet. Entity-Linking-Techniken, die Named Entities auf Wikipedia-Entitäten abbilden, werden auch als Wikiifizierung bezeichnet . [ 4 ]

Betrachten wir erneut den Beispielsatz „Paris ist die Hauptstadt von Frankreich“. Die erwartete Ausgabe eines Entity-Linking-Systems lautet „Paris und Frankreich“ . Diese Uniform Resource Locators (URLs) können als eindeutige Uniform Resource Identifiers (URIs) für die Entitäten in der Wissensbasis verwendet werden. Die Verwendung einer anderen Wissensbasis liefert andere URIs, aber für Wissensbasen, die auf Wikipedia basieren, existieren eindeutige URI-Zuordnungen. [ 5 ]

In den meisten Fällen werden Wissensbasen manuell erstellt, [ 6 ] aber in Anwendungen, in denen große Textkorpora verfügbar sind, kann die Wissensbasis automatisch aus dem verfügbaren Text abgeleitet werden . [ 7 ]

Die Verknüpfung von Entitäten ist ein entscheidender Schritt, um Webdaten mit Wissensdatenbanken zu verbinden. Dies ist hilfreich für die Annotation der riesigen Menge an Rohdaten und oft fehlerhaften Daten im Web und trägt zur Vision des semantischen Webs bei . [ 8 ] Neben der Verknüpfung von Entitäten gibt es weitere wichtige Schritte, darunter die Ereignisextraktion [ 9 ] und die Ereignisverknüpfung [ 10 ] usw.

Anwendungen

Entity Linking ist in Bereichen von Vorteil, die abstrakte Repräsentationen aus Texten extrahieren müssen, wie beispielsweise in der Textanalyse, Empfehlungssystemen , semantischen Suche und Chatbots. In all diesen Bereichen werden anwendungsrelevante Konzepte vom Text und anderen nicht-aussagekräftigen Daten getrennt. [ 11 ] [ 12 ]

Eine häufige Aufgabe von Suchmaschinen ist es beispielsweise, Dokumente zu finden, die einem eingegebenen Dokument ähneln, oder zusätzliche Informationen über die darin erwähnten Personen zu ermitteln. Nehmen wir einen Satz mit dem Ausdruck „die Hauptstadt Frankreichs“ : Ohne Entity Linking könnte die Suchmaschine, die den Inhalt von Dokumenten analysiert, nicht direkt Dokumente finden, die das Wort „Paris“ enthalten . Dies führt zu sogenannten falsch-negativen Ergebnissen (FN). Schlimmer noch: Die Suchmaschine könnte fälschlicherweise Treffer ( falsch-positive Ergebnisse , FP) liefern, beispielsweise Dokumente, die „Frankreich“ als Land bezeichnen.

Es gibt viele Ansätze, die orthogonal zum Entity Linking sind, um Dokumente zu finden, die einem Eingabedokument ähnlich sind. Beispiele hierfür sind die latente semantische Analyse (LSA) oder der Vergleich von Dokument-Embeddings, die mit doc2vec erstellt wurden . Diese Techniken ermöglichen jedoch nicht die gleiche detaillierte Kontrolle wie das Entity Linking, da sie andere Dokumente zurückgeben, anstatt abstrakte Repräsentationen des Originaldokuments zu erstellen. Beispielsweise wäre es deutlich schwieriger oder, je nach Komplexität der Anfrage, sogar unmöglich, schematische Informationen über „Paris“ zu erhalten , wie sie in Wikipedia- Infoboxen dargestellt werden. [ 13 ]

Darüber hinaus wurde Entity Linking zur Verbesserung der Leistung von Informationsabfragesystemen [ 1 ] und zur Verbesserung der Suchleistung in digitalen Bibliotheken eingesetzt . [ 14 ] Entity Linking ist auch eine wichtige Eingangsgröße für die semantische Suche . [ 15 ] [ 16 ]

Herausforderungen

Bei der Entity-Linking-Methode treten verschiedene Schwierigkeiten auf. Einige davon sind der Aufgabe inhärent [ 17 ] , wie beispielsweise Textmehrdeutigkeiten. Andere sind für die praktische Anwendung relevant, etwa Skalierbarkeit und Ausführungszeit.

  • Namensvarianten : Ein und dieselbe Person oder Organisation kann in unterschiedlichen Textformen erscheinen. Ursachen für diese Varianten sind unter anderem Abkürzungen ( New York , NY ), Aliasnamen ( New York , Big Apple ) oder Rechtschreibvarianten und -fehler ( New yokr ).
  • Mehrdeutigkeit : Dieselbe Erwähnung kann je nach Kontext oft auf viele verschiedene Dinge Bezug nehmen, da viele Namen Homonyme sind (dieselbe Buchstabenfolge bezeichnet unterschiedliche Konzepte mit verschiedenen Bedeutungen, z. B. kann „Bank“ ein Finanzinstitut oder das unmittelbar an einen Fluss angrenzende Land bezeichnen) oder Polysemie aufweisen . (Polysemie ist eine Unterform der Homonymie, bei der die Bedeutungen historisch oder sprachlich miteinander verwandt sind.) Das Wort Paris könnte unter anderem die französische Hauptstadt oder Paris Hilton bezeichnen . In manchen Fällen besteht möglicherweise keine textuelle Ähnlichkeit zwischen einer Erwähnung im Text (z. B. „Wir haben letzten Monat die französische Hauptstadt besucht “) und dem eigentlichen Bezugspunkt („ Paris “).
  • Fehlen : Benannte Entitäten haben möglicherweise keine entsprechende Entität in der Zielwissensbasis. Dies kann vorkommen, wenn die Entität sehr spezifisch oder ungewöhnlich ist, sich auf aktuelle Ereignisse bezieht und die Wissensbasis veraltet ist oder wenn die Wissensbasis domänenspezifisch ist (z. B. eine biologische Wissensbasis). In diesen Fällen wird vom System wahrscheinlich eine NILEntitätsverknüpfung erwartet. Zu wissen, wann eine NILVorhersage zurückgegeben werden soll, ist nicht trivial, und es wurden viele Ansätze vorgeschlagen. Beispiele hierfür sind die Festlegung eines Schwellenwerts für den Konfidenzwert im Entitätsverknüpfungssystem und die Aufnahme einer NILEntität in die Wissensbasis, die als beliebige Entität behandelt wird. In manchen Fällen kann die Verknüpfung mit einer falschen, aber verwandten Entität für den Benutzer jedoch nützlicher sein als gar kein Ergebnis. [ 17 ]
  • Skalierbarkeit und Geschwindigkeit : Für ein industrielles Entity-Linking-System ist es wünschenswert, Ergebnisse in angemessener Zeit und oft in Echtzeit zu liefern. Diese Anforderung ist entscheidend für Suchmaschinen, Chatbots und Entity-Linking-Systeme von Datenanalyseplattformen. Die Gewährleistung kurzer Ausführungszeiten kann bei der Verwendung großer Wissensdatenbanken oder der Verarbeitung umfangreicher Dokumente eine Herausforderung darstellen. [ 18 ] Wikipedia beispielsweise enthält fast 9 Millionen Entitäten und mehr als 170 Millionen Beziehungen zwischen diesen.
  • Sich verändernde Informationen : Ein Entity-Linking-System sollte auch mit sich verändernden Informationen umgehen und Aktualisierungen problemlos in die Wissensbasis integrieren können. Das Problem sich verändernder Informationen hängt mitunter mit dem Problem fehlender Entitäten zusammen, beispielsweise bei der Verarbeitung aktueller Nachrichtenartikel, in denen Ereignisse erwähnt werden, für die es aufgrund ihrer Neuheit noch keinen entsprechenden Eintrag in der Wissensbasis gibt. [ 19 ]
  • Mehrsprachigkeit : Ein Entity-Linking-System kann Anfragen in mehreren Sprachen unterstützen. Idealerweise sollte die Genauigkeit des Systems nicht von der Eingabesprache beeinflusst werden, und die Entitäten in der Wissensbasis sollten in verschiedenen Sprachen identisch sein. [ 20 ]

Entitätsverknüpfungen stehen in Zusammenhang mit anderen Konzepten. Definitionen sind oft unscharf und variieren leicht zwischen den Autoren.

  • Die Disambiguierung benannter Entitäten (Named Entity Disambiguation , NED) wird üblicherweise mit Entity Linking gleichgesetzt, einige Autoren (Alhelbawy et al. [ 21 ] ) betrachten sie jedoch als Spezialfall von Entity Linking, der voraussetzt, dass sich die Entität in der Wissensbasis befindet. [ 22 ] [ 23 ]
  • Die Wikifizierung ist die Aufgabe, Textstellen mit Entitäten in der Wikipedia zu verknüpfen ( wobei sich der Umfang bei sprachübergreifender Wikifizierung in der Regel auf die englische Wikipedia beschränkt).
  • Die Datensatzverknüpfung ( Record Linkage , RL) findet dieselbe Entität in mehreren und oft heterogenen Datensätzen. [ 24 ] Sie wird als umfassenderes Konzept als die Entitätsverknüpfung betrachtet und ist ein Schlüsselprozess bei der Digitalisierung von Archiven und der Zusammenführung von Wissensdatenbanken. [ 14 ]
  • Die Named-Entity-Erkennung (NER) lokalisiert und klassifiziert benannte Entitäten in unstrukturierten Texten in vordefinierte Kategorien wie Namen, Organisationen, Orte usw. Zum Beispiel der folgende Satz:

Paris ist die Hauptstadt Frankreichs.

würde von einem NER-System verarbeitet werden, um die folgende Ausgabe zu erhalten:

[ Paris ] ist die Hauptstadt von [ Frankreich ] .

NER ist üblicherweise ein Vorverarbeitungsschritt eines Entity-Linking-Systems, da es nützlich sein kann, im Voraus zu wissen, welche Wörter mit Entitäten der Wissensbasis verknüpft werden sollen.
  • Die Koreferenzauflösung erkennt, ob mehrere Wörter in einem Text auf dieselbe Entität verweisen. Sie kann beispielsweise hilfreich sein, um zu verstehen, auf welches Wort sich ein Pronomen bezieht. Betrachten Sie folgendes Beispiel:

Paris ist die Hauptstadt Frankreichs. Sie ist auch die größte Stadt Frankreichs.

In diesem Beispiel würde ein Koreferenzauflösungsalgorithmus feststellen, dass sich das Pronomen „ Es“ auf Paris bezieht und nicht auf Frankreich oder eine andere Entität. Ein wesentlicher Unterschied zum Entity Linking besteht darin, dass die Koreferenzauflösung den übereinstimmenden Wörtern keine eindeutige Identität zuweist, sondern lediglich angibt, ob sie sich auf dieselbe Entität beziehen oder nicht. In diesem Sinne können Vorhersagen eines Koreferenzauflösungssystems für eine nachfolgende Komponente des Entity Linkings nützlich sein.

Ansätze

Entity Linking ist seit einem Jahrzehnt ein viel diskutiertes Thema in Industrie und Wissenschaft. Viele Herausforderungen sind noch ungelöst, aber es wurden bereits zahlreiche Entity-Linking-Systeme vorgeschlagen, die sich in ihren Stärken und Schwächen stark unterscheiden. [ 25 ]

Im Allgemeinen lassen sich moderne Entity-Linking-Systeme in zwei Kategorien einteilen:

Entity-Linking-Systeme verwenden häufig sowohl Wissensgraphen als auch Textmerkmale, die beispielsweise aus den Textkorpora extrahiert werden, die zum Aufbau der Wissensgraphen selbst verwendet wurden. [ 22 ] [ 23 ]

Typische Schritte der Entitätsverknüpfung: 1. Named Entities Recognition (NER) – Suche nach benannten Entitäten im Text (hier: Paris und Frankreich); 2. Verknüpfung der gefundenen benannten Entitäten mit den entsprechenden eindeutigen Identifikatoren (hier: Wikipedia-Seiten). Schritt 2 erfolgt häufig durch: 2.1. Definition einer Metrik zum Vergleich der Kandidaten im System; 2.2. Erstellung einer kleinen Menge von Kandidatenidentifikatoren für jede benannte Entität; 2.3. Bewertung der Kandidaten anhand der Metrik und Auswahl desjenigen mit der höchsten Punktzahl.

Textbasiert

Die bahnbrechende Arbeit von Cucerzan aus dem Jahr 2007 veröffentlichte eines der ersten Entity-Linking-Systeme. Konkret befasste es sich mit der Wikiifizierung, also der Verknüpfung von Textstellen mit Wikipedia-Artikeln. [ 26 ] Dieses System kategorisiert Seiten in Entitäts-, Disambiguierungs- und Listenseiten. Die Menge der auf jeder Entitätsseite enthaltenen Entitäten dient dem Aufbau des Kontextes der Entität. Im letzten Schritt erfolgt eine kollektive Disambiguierung durch den Vergleich binärer Vektoren manuell erstellter Merkmale des jeweiligen Entitätskontextes. Cucerzans System dient weiterhin als Grundlage für aktuelle Arbeiten. [ 28 ]

Rao et al. [ 17 ] schlugen einen zweistufigen Algorithmus vor, um benannte Entitäten mit Entitäten in einer Zielwissensbasis zu verknüpfen. Zunächst werden Kandidatenentitäten mithilfe von String-Matching, Akronymen und bekannten Aliasen ausgewählt. Anschließend wird die beste Verknüpfung unter den Kandidaten mit Hilfe einer Ranking- Support-Vector-Machine (SVM) ermittelt, die linguistische Merkmale verwendet.

Neuere Systeme, wie beispielsweise das von Tsai et al. [ 24 ], verwenden Wortvektoren, die mit einem Skip-Gram- Modell gewonnen wurden, als Sprachmerkmale und können auf jede Sprache angewendet werden, für die ein großer Korpus zur Erstellung von Wortvektoren verfügbar ist. Wie die meisten Entity-Linking-Systeme besteht es aus zwei Schritten: einer anfänglichen Kandidatenauswahl und einem Ranking mithilfe linearer SVM.

Zur Lösung des Problems der Entitätsmehrdeutigkeit wurden verschiedene Ansätze verfolgt. Der wegweisende Ansatz von Milne und Witten nutzt überwachtes Lernen mit den Ankertexten von Wikipedia-Entitäten als Trainingsdaten. [ 29 ] Andere Ansätze sammelten ebenfalls Trainingsdaten auf Basis eindeutiger Synonyme. [ 30 ]

Graphbasiert

Moderne Entity-Linking-Systeme nutzen neben Textmerkmalen aus Eingabedokumenten oder Textkorpora auch große Wissensgraphen, die auf Wissensdatenbanken wie Wikipedia basieren. Mehrsprachiges Entity Linking mittels Natural Language Processing (NLP) ist schwierig, da es entweder große Textkorpora erfordert, die für viele Sprachen nicht existieren, oder manuell erstellte Grammatikregeln, die sich zwischen den Sprachen stark unterscheiden. Graphbasiertes Entity Linking nutzt Merkmale der Graphtopologie oder Verbindungen zwischen Entitäten, die einer einfachen Textanalyse verborgen bleiben.

Han et al. schlagen die Erstellung eines Disambiguierungsgraphen vor (eines Teilgraphen der Wissensbasis, der Kandidatenentitäten enthält). [ 3 ] Dieser Graph dient der kollektiven Rangfolge, um die beste Kandidatenentität für jede textuelle Erwähnung auszuwählen.

Ein weiterer bekannter Ansatz ist AIDA [ 31 ] , der eine Reihe komplexer Graphalgorithmen und einen Greedy-Algorithmus verwendet , der zusammenhängende Erwähnungen auf einem dichten Teilgraphen identifiziert, indem er auch Kontextähnlichkeiten und Knotenwichtigkeitsmerkmale berücksichtigt, um eine kollektive Disambiguierung durchzuführen. [ 27 ]

Alhelbawy et al. stellten ein Entity-Linking-System vor, das PageRank nutzt , um kollektive Entity-Linkings in einem Disambiguierungsgraphen durchzuführen und zu ermitteln, welche Entitäten stärker miteinander verwandt sind und somit eine bessere Verknüpfung ermöglichen. [ 21 ] Graph-Ranking-Algorithmen (oder Vertex-Ranking-Algorithmen) wie PageRank (PR) und Hyperlink-Induced Topic Search (HITS) zielen darauf ab, Knoten entsprechend ihrer relativen Bedeutung im Graphen zu bewerten.

Mathematische

Mathematische Ausdrücke (Symbole und Formeln) können mit semantischen Entitäten (z. B. Wikipedia- Artikeln [ 32 ] oder Wikidata- Einträgen [ 33 ] ) verknüpft werden, die mit ihrer Bedeutung in natürlicher Sprache beschriftet sind. Dies ist für die Disambiguierung unerlässlich, da Symbole unterschiedliche Bedeutungen haben können (z. B. kann „E“ für „Energie“ oder „Erwartungswert“ stehen). [ 34 ] [ 33 ] Der Verknüpfungsprozess mathematischer Entitäten kann durch Annotationsempfehlungen erleichtert und beschleunigt werden, beispielsweise mithilfe des von Wikimedia bereitgestellten Systems „AnnoMathTeX“. [ 35 ] [ 36 ] [ 37 ]

Um die Reproduzierbarkeit von Experimenten zur mathematischen Entitätsverknüpfung (MathEL) zu verbessern, wurde der Benchmark MathMLben erstellt. [ 38 ] [ 39 ] Er enthält Formeln aus Wikipedia, arXiv und der NIST Digital Library of Mathematical Functions (DLMF). Die Formeleinträge im Benchmark sind mit Wikidata- Markup versehen und erweitert. [ 33 ] Darüber hinaus wurden die Verteilungen mathematischer Notationen in zwei großen Korpora aus den Repositorien arXiv [ 40 ] und zbMATH [ 41 ] untersucht. Mathematische Objekte von Interesse (MOI) wurden als potenzielle Kandidaten für MathEL identifiziert. [ 42 ]

Neben der Verlinkung mit Wikipedia beschreiben Schubotz [ 39 ] und Scharpf et al. [ 33 ] die Verknüpfung mathematischer Formelinhalte mit Wikidata, sowohl in MathML- als auch in LaTeX- Auszeichnung. Um klassische Zitate um mathematische Formeln zu erweitern, fordern sie eine Herausforderung zur Formelkonzeptfindung (Formula Concept Discovery, FCD) und Formelkonzepterkennung (Formula Concept Recognition, FCR), um automatisiertes MathEL zu entwickeln. Ihr FCD-Ansatz erzielt eine Trefferquote von 68 % beim Abruf äquivalenter Darstellungen häufiger Formeln und 72 % beim Extrahieren des Formelnamens aus dem umgebenden Text im NTCIR -arXiv-Datensatz [ 43 ] . [ 37 ]

Siehe auch

Referenzen

  1. ^ a b c M. A. Khalid, V. Jijkoun und M. de Rijke (2008). Der Einfluss der Normalisierung benannter Entitäten auf die Informationswiedergewinnung für Fragebeantwortung . Proc. ECIR.
  2. ^ Ferré, Arnaud; Langlais, Philippe (2023). „Eine Analyse von Verzerrungen bei der Bewertung der Entitätsnormalisierung in spezialisierten Domänen“ (PDF) . BMC Bioinformatics . 24 (1): 227. doi : 10.1186/s12859-023-05350-9 . PMC  10236701. PMID  37268890 .
  3. Han , Xianpei; Sun, Le; Zhao, Jun (2011). „ Collective entity linking in web text“ . Proceedings of the 34th international ACM SIGIR conference on Research and development in Information Retrieval . ACM. S.  765–774 . doi : 10.1145/2009916.2010019 . ISBN 9781450307574. S2CID  14428938 .
  4. ^ Rada Mihalcea und Andras Csomai (2007) Wikify! Dokumente mit enzyklopädischem Wissen verknüpfen . Proc. CIKM.
  5. ^ "Wikipedia-Links" . 4. Mai 2023.
  6. ^ Wikidata
  7. ^ Aaron M. Cohen (2005). Unüberwachte Normalisierung benannter Gen-/Protein-Entitäten mithilfe automatisch extrahierter Wörterbücher. In: Proceedings des ACL -ISMB-Workshops zur Verknüpfung biologischer Literatur, Ontologien und Datenbanken: Gewinnung biologischer Semantik, S. 17–24.
  8. ^ Shen W, Wang J, Han J. Entity linking with a knowledge base: Issues, techniques, and solutions[J]. IEEE Transactions on Knowledge and Data Engineering, 2014, 27(2): 443-460.
  9. ^ Chang YC, Chu CH, Su YC, et al. PIPE: ein Modul zur Extraktion von Protein-Protein-Interaktionspassagen für die BioCreative Challenge[J]. Database, 2016, 2016.
  10. ^ Lou P, Jimeno Yepes A, Zhang Z, et al. BioNorm: Deep-Learning-basierte Ereignisnormalisierung zur Kuratierung von Reaktionsdatenbanken[J]. Bioinformatics, 2020, 36(2): 611-620.
  11. ^ Slawski, Bill (16. September 2015). „Wie Google die Namensauflösung für Entitäten mit gleichen Namen verwendet“ .
  12. ^ Zhou, Ming; Lv, Weifeng; Ren, Pengjie; Wei, Furu; Tan, Chuanqi (2017). „Entity Linking for Queries by Searching Wikipedia Sentences“ . Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing . S.  68–77 . arXiv : 1704.02788 . doi : 10.18653/v1/D17-1007 . S2CID 1125678 . 
  13. ^ Le, Quoc; Mikolov, Tomas (2014). „Verteilte Repräsentationen von Sätzen und Dokumenten“ . Proceedings der 31. Internationalen Konferenz für Maschinelles Lernen . 32 : II–1188–II–1196. arXiv : 1405.4053 .
  14. ^ a b Hui Han, Hongyuan Zha, C. Lee Giles, „Namensdisambiguierung in Autorenzitaten mittels eines K-Wege-Spektralclustering-Verfahrens“, ACM/IEEE Joint Conference on Digital Libraries 2005 (JCDL 2005): 334-343, 2005
  15. ^ "STICS" . Archiviert vom Original am 1. September 2021. Abgerufen am 16. November 2015 .
  16. ^ Hoffart, Johannes; Milchevski, Dragan; Weikum, Gerhard (03.07.2014). „STICS: Searching with strings, things, and cats“ . Proceedings of the 37th international ACM SIGIR conference on Research & development in information retrieval . SIGIR '14. New York, NY, USA: Association for Computing Machinery. S.  1247–1248 . doi : 10.1145/2600428.2611177 . ISBN 978-1-4503-2257-7Die
  17. Rao , Delip; McNamee, Paul; Dredze, Mark (2013). „ Entity Linking : Finding Extracted Entities in a Knowledge Base“. Multi -source, Multilingual Information Extraction and Summarization . Theory and Applications of Natural Language Processing. Springer Berlin Heidelberg. S.  93–115 . doi : 10.1007/978-3-642-28569-1_5 . ISBN 978-3-642-28568-4. S2CID  6420241 .
  18. ^ Parravicini, Alberto; Patra, Rhicheek; Bartolini, Davide B.; Santambrogio, Marco D. (2019). „Schnelle und präzise Entitätsverknüpfung mittels Graph-Embedding“ . Proceedings of the 2nd Joint International Workshop on Graph Data Management Experiences & Systems (GRADES) and Network Data Analytics (NDA) . ACM. S. 10:1–10:9. doi : 10.1145/3327964.3328499 . hdl : 11311/1119019 . ISBN 9781450367899. S2CID  195357229 .
  19. ^ Hoffart, Johannes; Altun, Yasemin; Weikum, Gerhard (2014). „Discovering emerging entities with ambiguous names“ . Proceedings of the 23rd international conference on World wide web . ACM. S.  385–396 . doi : 10.1145/2566486.2568003 . ISBN 9781450327442. S2CID  7562986 .
  20. ^ McNamee, Paul; Mayfield, James; Lawrie, Dawn; Oard, Douglas W.; Doermann, David (8.–13. November 2011). Cross-Language Entity Linking (PDF) . 5. Internationale Gemeinsame Konferenz über Verarbeitung natürlicher Sprache. Chiang Mai, Thailand: AFNLP . S.  255–263 .
  21. ^ a b Alhelbawy, Ayman; Gaizauskas, Robert (23.–29. August 2014). Collective Named Entity Disambiguation using Graph Ranking and Clique Partitioning Approaches (PDF) . COLING 2014, die 25. Internationale Konferenz für Computerlinguistik: Fachbeiträge. Dublin, Irland: COLING. S.  1544–1555 .
  22. ^ a b Zwicklbauer, Stefan; Seifert, Christin; Granitzer, Michael (2016). „Robuste und kollektive Entitätsdisambiguierung durch semantische Einbettungen“ . Proceedings der 39. Internationalen ACM SIGIR-Konferenz zu Forschung und Entwicklung im Bereich Information Retrieval (PDF) . ACM. S.  425–434 . doi : 10.1145/2911451.2911535 . ISBN 9781450340694. S2CID  207237647 .
  23. ^ ein b Hachey, Ben; Radford, Will; Nothman, Joel; Hannibal, Matthew; Curran, James R. (2013). „Bewertung der Entitätsverknüpfung mit Wikipedia“ . Artif. Intel . 194 : 130–150 . doi : 10.1016/j.artint.2012.04.005 . ISSN 0004-3702 . 
  24. ^ a b Tsai, Chen-Tse; Roth, Dan (2016). „Cross-lingual Wikification Using Multilingual Embeddings“ . Proceedings of the 2016 Conference of the North American Chapter of the Association for Computational Linguistics: Human Language Technologies . Vol. Proceedings of NAACL-HLT 2016. S.  589–598 . doi : 10.18653/v1/N16-1072 . S2CID 15156124 . 
  25. ^ Ji, Heng; Nothman, Joel; Hachey, Ben; Florian, Radu (2015). „Überblick über die dreisprachige Entitätserkennung und -verknüpfung von TAC-KBP2015“. TAC .
  26. ^ a b Cucerzan, Silviu (Juni 2007). „Großskalige Named-Entity-Disambiguierung auf Basis von Wikipedia-Daten“ . Proceedings der 2007 Joint Conference on Empirical Methods in Natural Language Processing and Computational Natural Language Learning (EMNLP-CoNLL) . Association for Computational Linguistics. S.  708–716 .
  27. ^ a b Weikum, Gerhard; Thater, Stefan; Taneva, Bilyana; Spaniol, Marc; Pinkal, Manfred; Fürstenau, Hagen; Bordino, Ilaria; Yosef, Mohamed Amir; Hoffart, Johannes (2011). „Robuste Disambiguierung benannter Entitäten in Texten“ . Proceedings of the 2011 Conference on Empirical Methods in Natural Language Processing : 782–792 .
  28. ^ Kulkarni, Sayali; Singh, Amit; Ramakrishnan, Ganesh; Chakrabarti, Soumen (2009). Kollektive Annotation von Wikipedia-Entitäten in Webtexten . Proc. 15th ACM SIGKDD Int'l Conf. on Knowledge Discovery and Data Mining (KDD). CiteSeerX 10.1.1.151.1904 . doi : 10.1145/1557019.1557073 . ISBN  9781605584959Die
  29. ^ David Milne und Ian H. Witten (2008). Lernen, mit Wikipedia zu verlinken. Proc. CIKM.
  30. ^ Zhang, Wei; Jian Su; Chew Lim Tan (2010). „Entity Linking Leveraging Automatically Generated Annotation“. Proceedings of the 23rd International Conference on Computational Linguistics (Coling 2010) .
  31. ^ Yosef, Mohamed Amir; Hoffart, Johannes; Bordino, Ilaria; Spaniol, Marc; Weikum, Gerhard (2011). „AIDA: Ein Online-Tool zur präzisen Disambiguierung benannter Entitäten in Texten und Tabellen“. Proceedings der 37. Internationalen Konferenz über sehr große Datenbanken . VLDB 2011: 1450–1453 .
  32. Giovanni Yoko Kristianto, Goran Topic, Akiko Aizawa et al. (2016). „Entity Linking for Mathematical Expressions in Scientific Documents“. Digital Libraries: Knowledge, Information, and Data in an Open Access Society . Lecture Notes in Computer Science. Band 10075. Springer. S.  144–149 . doi : 10.1007/978-3-319-49304-6_18 . ISBN 978-3-319-49303-9Die
  33. ^ a b c d Philipp Scharpf; Moritz Schubotz; et al. (2018). Repräsentation mathematischer Formeln in Content MathML mit Wikidata . ACM SIGIR Conference on Research and Development in Information Retrieval (SIGIR 2018).
  34. ^ Moritz Schubotz; Philipp Scharpf; et al. (2018). „Einführung von MathQA: ein mathematikbasiertes Frage-Antwort-System“. Information Discovery and Delivery . 46 (4). Emerald Publishing Limited: 214–224 . arXiv : 1907.01642 . doi : 10.1108/IDD-06-2018-0022 . S2CID 49484035 . 
  35. ^ "AnnoMathTeX Formel-/Bezeichner-Annotation-Empfehlungssystem" .
  36. Philipp Scharpf, Ian Mackerracher et al. (17. September 2019). „ AnnoMathTeX – ein Empfehlungssystem für Formelbezeichner-Annotationen in STEM-Dokumenten“. Proceedings of the 13th ACM Conference on Recommender Systems (PDF) . S.  532–533 . doi : 10.1145/3298689.3347042 . ISBN 9781450362436S2CID  202639987 .​
  37. ^ a b Philipp Scharpf; Moritz Schubotz; Bela Gipp (14. April 2021). „Schnelle Verknüpfung mathematischer Wikidata-Entitäten in Wikipedia-Artikeln mithilfe von Annotationsempfehlungen“. Begleitende Konferenzbeiträge der Web Conference 2021 (PDF) . S.  602–609 . arXiv : 2104.05111 . doi : 10.1145/3442442.3452348 . ISBN 9781450383134. S2CID  233210264 .
  38. ^ "MathMLben Formel-Benchmark" .
  39. ^ a b Moritz Schubotz; André Greiner-Petter; Philipp Scharpf; Norman Meuschke; Howard Cohl; Bela Gipp (2018). „Verbesserung der Darstellung und Konvertierung mathematischer Formeln durch Berücksichtigung ihres textuellen Kontextes“. Proceedings of the 18th ACM/IEEE on Joint Conference on Digital Libraries (PDF) . Band 39, S.  233–242 . arXiv : 1804.04956 . doi : 10.1145/3197026.3197058 . ISBN 9781450351782PMC  8474120 . PMID  34584342 . S2CID  4872257 .​
  40. ^ "arXiv-Preprint-Repository" .
  41. ^ "zbMath mathematische Dokumentenbibliothek" .
  42. ^ André Greiner-Petter; Moritz Schubotz; Fabian Mueller; Corinna Breitinger; Howard S. Cohl; Akiko Aizawa; Bela Gipp (2020). „Discovering Mathematical Objects of Interest—A Study of Mathematical Notations“. Proceedings of the Web Conference 2020 (PDF) . S.  1445–1456 . arXiv : 2002.02712 . doi : 10.1145/3366423.3380218 . ISBN 9781450370233. S2CID  211066554 .
  43. ^ Akiko Aizawa; Michael Kohlhase; Iadh Ounis; Moritz Schubotz. „NTCIR-11 Math-2 Task Overview“. Proceedings of the 11th NTCIR Conference on Evaluation of Information Access Technologies .