knet

AI TIME欢迎每一位AI爱好者的加入！ 实体分类是知识图谱构建和补全的重要子任务，其中细粒度实体分类为实体提供了更加丰富的语义信息，有助于关系抽取、实体链接、问答系统等下游任务。 细粒度实体分类是什么？和传统的命名实体识别有什么区别？任务的难点在哪里？采用什么方法解决？目前有哪些数据集可用？未来的发展方向如何？ 为解除这些困惑，第四期AI Time PhD知识图谱专题分享的直播间，我们请到清华大学计算机系、知识工程实验室的博士五年级研究生金海龙，为大家梳理了细粒度实体分类任务发展的脉络，并对未来作出了展望。 一、FGET定义及问题 传统的 命名实体识别（NER ）面向 粗粒度 的类别，比如人物、地点和组织机构等，对实体的刻画不够精确。 图：命名实体识别（来自medium.com） 实际生活中，我们需要更加细粒的类别来刻画实体，提供更加具体的语义信息，增强指示性，比如篮球员动员和香港歌手等。以关系抽取为例，实体的细粒度类别能很大程度暗示实体间候选的关系。实体类别信息越粗，实体间的候选关系就越倾于复杂，相应的关系抽取任务也变得更困难。于是，下游应用催生了细粒度实体分类这个任务。 细粒度实体分类 (FGET) ： Fine-grained Entity Typing, 给定候选 实体 (Mention) 及其 上下文 (Context) ，预测可能的 类别集合 (Type) 。

点击上方 “ 小白学视觉 ”，选择加"星标"或“置顶” 重磅干货，第一时间送达 作者：黄浴 奇点汽车 首席科学家 整理：Hoh Xil 来源： https://zhuanlan.zhihu.com/p/78051407 导读： 边缘和轮廓的提取是一个非常棘手的工作，细节也许就会被过强的图像线条掩盖，纹理（texture）本身就是一种很弱的边缘分布模式，分级（hierarchical）表示是常用的方法，俗称尺度空间（scale space）。以前做移动端的视觉平台，有时候不得不把一些图像处理功能关掉，原因是造成了特征畸变。现在 CNN 模型这种天然的特征描述机制，给图像预处理提供了不错的工具，它能将图像处理和视觉预处理合二为一。 ——边缘提取—— 1. HED 整体嵌套边缘检测（ Holistically-Nested Edge Detection，HED 是一个深度学习的边缘提取的算法，两个特色：（1）整体图像训练和预测; （2）多尺度、多层特征学习。该深度模型利用全卷积网络，自动学习丰富的分层表示（基于侧面响应的深层监督指导）。 多尺度深度学习可分为四类，即多流学习（multi-stream）、跳网（skip-net learning）学习、多输入单模型以及独立网训练，如图所示：（a）多流架构; （b）跳网架构; （c）多尺度输入的单一模型; （d）不同网络独立训练; （e