本体包含关系预测的自匹配训练方法与注释嵌入模型
内容提要
该文汇总多篇研究，主题涵盖本体匹配、知识图谱嵌入与实体对齐。具体包括：BERTSubs利用BERT进行子类预测；远程监督联合学习实体与文本嵌入；LaKERMap使用转换器融合结构上下文；共引与专家混合提升科学文本分类；order-embedding扩展改进分层知识表示；多语言共训嵌入提升实体对齐；Meta-embedding综述填补空白；自监督预训练检测上下文同义词；KGEM评估实体相似性；HME结合多语言与子词嵌入提升代码交换命名实体识别。
延伸解读
研究主题的多样性
本文汇总了多篇研究，涵盖本体匹配、知识图谱嵌入与实体对齐等多个方向。这些研究虽同属知识表示与自然语言处理领域，但具体任务差异较大，如子类预测、实体对齐、文本分类等。读者需注意各研究的时间跨度从2017年至2024年，反映了该领域的持续演进。
方法创新的共性
多项研究采用了自监督、远程监督或联合学习策略，以减少对人工标注的依赖。例如，BERTSubs利用BERT进行子类预测，LaKERMap使用转换器融合结构上下文，远程监督方法联合学习实体与文本嵌入。这些方法共同体现了利用现有数据或模型结构提升性能的趋势。
应用场景的侧重
部分研究聚焦于特定领域，如科学文本分类、电子病历表型提取和代码交换命名实体识别。这些应用表明，知识图谱嵌入与本体匹配技术正逐步渗透到专业领域，解决实际中的稀疏性和多语言问题。读者可关注这些方法在自身领域的适用性。
Q&A
BERTSubs 是什么？它有什么优势？
BERTSubs 是一种基于 BERT 语言模型的子类预测方法，能够有效执行包括存在限制在内的多种子类预测任务，并且性能优于已有方法。
LaKERMap 如何提升本体匹配的效果？
LaKERMap 是一种自监督学习本体匹配框架，利用转换器将概念的上下文和结构信息融入其中，捕捉本地和全局交互等多种结构上下文。在 Bio-ML 数据集上，其对齐质量和推理时间优于最先进的系统。
如何利用多语言知识图谱嵌入进行实体对齐？
通过共训两种嵌入模型：一个多语言知识图谱嵌入模型和一个多语言文字描述嵌入模型，进行半监督学习。实验表明，该方法在实体对齐任务中性能随共训迭代提高，最终明显优于之前的方法，并具有零样本实体对齐和跨语言知识图谱完成的能力。
order-embedding 的扩展如何改进分层知识表示？
通过混合学习排序关系和非分层知识，以及利用训练数据的部分有序结构找到在配对训练过程中不好执行的嵌入之间的长距离 triplet 约束，这两种扩展都优于原始的 order-embedding 模型和其他强基线模型。
HME 模型在代码交换命名实体识别中有什么作用？
HME（Hierarchical Meta-Embeddings）模型学习将多个单语言层和子单词层嵌入结合起来创建语言不可知的词汇表示，用于英语-西班牙语代码交换数据的命名实体识别任务，在多语言环境下获得了最先进的表现，并证明结合不同的子元素对于捕获代码切换实体非常重要。
自监督预训练方法如何检测上下文同义词？
该研究提出了一种自我监督的预训练方法，利用浅层匹配的数据进行训练，能够检测出上下文同义词。在稀疏多类设置（超过 15,000 个概念）中应用于从电子病历中提取表观信息，并通过数据增强技术解决类稀疏问题，实现了无监督表观概念注释的新 SOTA，精度和召回率的增益分别高达 4.5 和 4.0 个点。
