實體消歧問題是當下比較熱點的研究問題，國內外的大多熟研究從兩個角度解決實體歧義造成的影響，分別是通過尋求更高質量的特徵和引入外部資源輔助消解。
在特徵選取方面，何正焱[2]利用
dnn（深度神經網路）方法，提出了一種文件和實體的相似度為框架的消歧模型；姜麗麗
[3]提出了一種基於帶權圖結構的框架來實現人物實體的消歧工作，並使用實體標籤對每個人物實體進行標註；
bagga
和baldwin[4]
將不同文件間上下文的相似度作為特徵實現實體消歧的；
r.bekkerman
和a.mccallum[5]
則結合了社交網路的鏈結資訊和聚類兩種非監督的框架對社交網路中的人物實體進行消歧。
d.bollegara[7]
通過來對
web搜尋引擎中的同名人物實體進行消歧；
r.bunescu[8]
wikipedia
現在階段的實體消歧研究集中在通用文字上，而專利文字上的實體，又與通用文字中的實體有本質的區別。因此，本文需要充分利用專利文字及專利實體的特點，並在通用的實體消歧方法的基礎上進行優化。
一種用於專利實體的實體消歧方法
acl主席
gertjan van noord
等歐洲nlp
科學家近日編撰了一篇非常棒的報告，彙總了大量的實體識別與消歧，詞義消歧資料集，工具集
**電子商務商品歸一化方法
知識圖譜——資料實體化的手段 劉知遠
實體消歧簡介
定義 實體消歧的本質在於乙個單詞很可能有多個意思，也就是在不同的上下文中所表達的含義可能不太一樣。簡單實現 首先我們需要準備乙個類似於下面的這種實體庫 id實體名 實體描述 1001 蘋果美國一家高科技公司，經典的產品有iphone手機 1002 蘋果水果的一種，一般產自於 然後當我們拿到text時...
實體消歧（鏈結到實體庫）
disambiguation.py usr bin python3 import pymysql import json import requests from similarityen import similarity deffindcandidates entity 開啟資料庫連線 db p...
實體對齊 演算法 知識融合（實體對齊）筆記
知識融合包括以下幾個部分 本體匹配 ontology matching 實體對齊 entity alignment 側重發現指稱真實世界相同物件的不同例項，也稱為實體消解 resolution 例項匹配 instance matching 知識融合 knowledge fusion 一般通過衝突檢測...