实体

结构化文本中抽取实体、关系信息是自动化构建知识图谱的必要步骤。传统流水线方法采用分离的两个模型提取实体，然后对候选实体对的关系类型进行分类；但这类模型忽略了两个任务间的交互信息，容易发生级联误差。近年来，研究者们开始探索建立实体关系联合抽取模型。实体关系联合抽取模型可以有效利用实体、关系间的交互信息来预测出文本存在的三元组，从而取得更好的表现；但是，嵌套实体识别仍是实体关系联合抽取的一个重要问题。嵌套实体是实体内部存在其他实体的场景。而在三元组中，则存在两

e2为知识图谱的实体，r为e1和e2之间的关系，例如，（Jackie Chan，Isborn，Hong Kong）。在知识图谱中除三元组之外，还有大量的实体类型实例（实体-实体类型元组）［2］，记为(e，t)。例如，（Jackie Chan，Actor）表示实体“Jackie Chan”的类型为“Actor”。知识图谱中的实体类型信息可以用于各种下游任务，例如实体对齐［3］、实体链接［4］、知识图谱补全［5-6］等。实体类型信息的缺失会影响这些算法的有效性

谱中的节点是领域实体，因此，领域实体的挖掘是构建领域知识图谱的基础。以课程知识图谱为例，将传统的非结构化文本形式转化为以课程术语实体为核心的知识图谱，更易于学生对学科架构［1］、知识点的学习。教育知识图谱中的节点具有多样性，如节点可以为术语、视频资源、知识点等，而术语是最基础、最细粒度的学习资源。因此，构建课程领域实体集对教育知识图谱的构建起着重要的作用，为教育课程推荐、个性化学习等任务［2-4］奠定了基础。目前对于实体抽取方法的研究主要采用基于机器学习的

或是一个湖泊名。实体链接(Entity Linking, EL)则将一个文档中的指称(mention)链接到知识库(Knowledge Base, KB)中的相应实体。实体链接为处理语言表达的歧义性提供了一种解决方案，在互动问答[1]、信息抽取[2]和语义搜索[3]等众多领域发挥重要作用。然而，在大数据时代，数据呈现数据量大、表达多样性和数据价值密度低等特征导致这项任务越来越具有挑战性。实体链接包含三个子任务：(1) 指称探测，识别出可能需要被链接的文本片

越来越多[1]。实体消歧是中文知识图谱问答系统(Chinese Knowledge Based Question Answering,CKBQA)中的关键技术,目的是构建问句中实体指称的候选实体集合,并将实体指称链接到正确的实体上[2-4]。现有的实体消歧方法主要有三类:基于分类的方法、基于图的方法和基于深度学习的方法。基于分类的方法将实体消歧看作二分类问题,利用分类器对候选实体分类[5-6],然而在分类过程中可能有多个候选实体被标记为真,所以还需要其他的

620）0 引言实体链接任务的目标是将文本中的实体指称项链接到知识库中对应的实体，是许多信息抽取和自然语言理解等应用的重要组成部分，因其解决了命名实体的词汇歧义。传统的实体链接解决方案通常假定在测试中要链接的实体在训练过程中已经见过，但是在实际应用中，这种假设往往并不成立。要链接的实体往往在训练集中没有出现过，并且每个实体也没有很多的结构化先验信息，如别名表、先验概率、结构化数据等，仅有一段关于实体的摘要信息。这种情况被称为零样本实体链接。当前零样本实体链

008）0 概述实体链接是知识图谱构建［1］和应用［2］过程中的关键技术，在智能问答、信息检索等知识图谱的相关领域得到广泛应用［3］。实体链接任务的目标是将文本中的实体指称指向知识库中的特定实体，从而明确文本中实体指称的含义。实体链接通常分为候选实体生成和候选实体排序两个阶段，候选实体排序是实体链接过程中的研究重点。候选实体排序阶段对实体指称和候选实体集中的所有候选实体进行相关度排序，选择相关度最大的候选实体作为实体指称对应的链接实体。已有的实体链接方法主

滨 150080实体链接是面向短文本与知识相关联的技术手段，分为候选实体的生成和候选实体的消歧[1]，旨在将文本中潜在的实体指称映射到知识库中若干候选实体集合，并从候选集合中找到最佳目标实体来赋予实体指称明确的含义[2]。在数据稀疏、缺乏丰富的上下文情况下实体语义歧义性给实体链接带来了难题[3]；同时对于某些领域，实体链接结果受到其他实体语义关联影响，这种影响会导致目标对象不是精准的知识信息。所以，短文本实体链接在领域图谱的实现面临了巨大的挑战[4]。实体

信息的。我们利用实体链接技术将自然语言中的提及和知识图谱中存储的实体相关联，在进行自然语言处理的时候就可以利用知识图谱中的结构化信息，使计算机更好地理解文本中的信息。实体消歧任务是实体链接中最为重要的一个阶段。因为实体识别后的结果很难直接加入到知识图谱当中。必须要对实体识别的结果进行消歧，才能找到文档中实体指称在知识图谱中所对应的实体。本文对实体消歧技术进行研究，提出一种文档级的实体消歧技术。本文的主要贡献如下：1）提出一种文档级实体消歧技术，在局部消歧的

KG)[1]作为实体关系的语义网络, 在相关实体搜索的应用中至关重要, 是搜索引擎的重要支撑技术[2].基于KG的相关实体搜索旨在根据给定的实体, 在KG中搜索与此实体相关的候选实体集合, 并按照候选实体与查询实体间的相关度对候选实体进行排序并返回结果, 以提高用户的搜索体验.事实上, 随着互联网的高速发展, Web文档快速产生, 反映了现实世界不断演化的知识, 与KG中的知识共同描述了实体间的相关关系.因此, 如何有效地表示实体在KG和Web文档中的关系

，KG）中的关联实体发现任务，旨在为用户输入的查询实体推荐最相关的实体集合[1].准确地为用户输入的查询返回关联实体，不仅能够加强用户的查询体验，还能有效地提高用户的参与度.近年来，随着KG在搜索引擎[2]、智能问答[3]和个性化推荐[4]等领域应用的日益广泛，用户对关联实体发现的需求与日俱增.与此同时，用户在KG下游应用中与实体的交互也产生了大量的行为数据[5]，称为用户-实体数据.值得注意的是，KG中的实体间的关联往往体现在用户-实体数据中，并且具有不

430074)实体链接是实体消歧的基本过程[1]，目的是将文本中出现的实体指称链接到维基百科等结构化知识库.实体指称的歧义性是指同一个实体指称在不同的上下文语境中可能指代不同的实体对象. 实体消歧的本质是比较实体指称与候选实体的语义相似性.针对样例：“一首《李白》用乡村摇滚风的率性旋律，写出李荣浩对随性生活的向往.”我们依据“旋律”一词便能判断出这里的实体指称“李白”与候选实体“李白(歌曲)”的相似度比候选实体“李白(唐代诗人)”更高，从而将实体指称“李

的，三元组形式为实体、关系和实体或字面量值。面向知识库的问答任务，首先解决的是实体对齐的问题，即将问句中的实体指称对应到知识库中的实体，其次是关系对齐，将问句中的关系映射到知识库的关系，最后根据实体和关系检索知识库得到精确的答案。实体对齐即是实体链接，面向知识库问答的实体链接，即通过将自然语言问句中的实体指称映射到知识库对应的实体，赋予指称现实、明确的含义。实体链接需要解决自然语言问句中实体指称的一词多义和多词一义的问题，帮助理解自然语言问句的具体含义。实

结构文本中抽取出实体及其相互关系并转化为结构化表达形式，从而为知识库的构造提供数据基础[1-5]。嵌套命名实体中含有丰富的实体信息以及实体之间的相互关系，其结构相对而言也较为简单，因而嵌套命名实体的识别成为信息抽取中值得研究的话题之一。目前的嵌套命名实体识别都采用有监督的机器学习方法，因而需要一定规模的语料库。GENIAV3.02[6]是生物医学领域内的命名实体语料库，其中包含了嵌套实体，被广泛应用于生物医学领域的命名实体识别研究。该语料库包含2 000条

50)提到笛卡尔实体概念，人们通常会想到他著名的思维实体和广延实体的二分。但就实体概念本身，笛卡尔似乎并未成功地处理。比如海德格尔认为：“笛卡尔听任实体性(substantia)这一观念所包含的存在之意义以及这一含义的‘普遍’性质始终这样不经讨论。”①[1]笛卡尔的实体作为悬而未决的概念带来了许多争议，这些争议中较为重要的问题有两个，一是笛卡尔明确提出了两种不同的实体定义——独立的东西和基底，它们是否有矛盾的地方？二是笛卡尔的我思代表的思想实体与上帝这种实

词向量的中文微博实体链接方法毛二松 王 波 唐永旺 梁 丹(解放军信息工程大学 河南 郑州 450002)实体链接是指给定实体指称项和它所在的文本，将其链接到给定知识库中的目标实体上。由于微博内容存在特征稀疏、用语不规范的特点，使用传统的方法效果较差，为了准确地对微博中给定的实体进行链接，提出一种基于词向量的中文微博实体链接方法。首先，对知识库进行扩展，并从中文维基百科抽取同义词构建同义词表；然后，利用词向量解决错别字和外来人名音译的问题；最后，通过词向量

感的重启随机游走实体链接方法李茂林北京邮电大学智能科学与技术中心, 北京100876; E-mail: mlli@bupt.edu.cn实体链接任务的目的是将文本中的实体指称链接到知识库中与之对应的无歧义实体。针对此任务, 提出一种基于主题敏感的重启随机游走的实体链接方法。该方法首先使用实体指称的背景文本信息将实体指称扩充为全称, 并在维基百科知识库中搜索候选实体, 得到候选实体集合; 根据上述中间结果构建图, 利用在图上的主题敏感重启随机游走得到的平稳分

基于图的中文集成实体链接算法刘 峤 钟 云 李 杨 刘 瑶 秦志光（电子科技大学信息与软件工程学院 成都 610054）（qliu＠uestc．edu．cn）实体链接（entity linking）是知识库扩容的核心关键技术，传统的实体链接方法通常受制于本地知识库的知识水平，而且忽略共现实体间的语义相关性．提出了一种基于图的中文集成实体链接方法，不仅能够充分利用知识库中实体间的结构化关系，而且能够通过增量证据挖掘获取外部知识，从而实现对同一文本中出现的多个

)融合多种特征的实体链接技术研究陈玉博1，何世柱1，刘 康1，赵 军1，吕学强2(1. 中国科学院自动化研究所，模式识别国家重点实验室，北京 100190;2. 北京信息科技大学 网络文化与数字传播北京市重点实验室，北京 100101)实体消歧是自然语言理解的重要研究内容，旨在解决文本信息中普遍存在的命名实体歧义问题，在信息抽取、知识工程和语义网络等领域有广泛的应用价值。实体链接是实体消歧的一种重要方法，该方法将具有歧义的实体指称项链接到给定的知识库中从而

建模仿真时，作战实体按照是否考虑运动属性分为静态实体和动态实体[1]。在实体模型构建方面，作战系统的复杂性主要体现在动态实体的复杂性上，因此本文主要讨论动态实体概念模型构建的问题。在作战仿真系统中，最终的执行实体往往是虚拟兵力或者半实物的人装单元，而并不是单纯的武器装备，因此并没有智能水平为零的实体，因此，可以将作战仿真系统内的任何实体都看作智能体。从作战过程看，作战指挥的实体要素主要是指挥者与指挥对象[2]。在作战仿真系统中，指挥者一般被抽象为指挥型实体