Full Text at ACM Digital Library: https://dl.acm.org/citation.cfm?id=3234963

github: https://github.com/linxinshi/EntityRetrievalPAS

我的文章 “Entity Retrieval in the Knowledge Graph with Hierarchical Entity Type and Content” 被 ICTIR 2018 这个会议接收了。

这是我的 “entity retrieval trilogy” 的第二篇。相比第一篇，这篇文章把之前的方法扩展到 Markov Random Field 上，使得 sequential dependence model 也可以使用结构平滑。另外把维基百科的文章解析成一个树状的形式，仍然使用结构平滑来计算查询和文章的相关程度（考虑一个从根到叶子的路径，最后的结果比整篇文章用 bag of words 表示的结果要好，这其实说明文本中有相当多的信息都被传统的语言模型忽略掉了）。这种推广并不是很难，但这篇文章是想强调在不同的结构化信息来源中信息检索模型可以通过以路径为中心的统一框架来寻找答案。“路径”的概念被推广到一个单纯的序列，序列中的相邻元素不一定是在具体的结构（比如 knowledge graph/type taxonomy）中相连的。只要使用者认为把它们组合在一起是有意义的，就可以使用结构平滑。另外结构平滑还可以用在其他更复杂的模型当中。

这篇文章还有一个细节是我把 BM25F 拿来当 baseline。之前这个模型在 dbpedia-entity v2 上取得了最好的成绩，导致这个领域的同行有一段时间意志消沉，觉得之前提出的模型都成了废柴。本人这次把它的固定参数版本单独拎出来吊打了一遍又一遍，to vent for my peer researchers。。。（原来使用的是 coordinate ascent 来学习参数，但是仍然和我的模型有差距）

最后感谢我们家 Sam 的劳动，各位 reviewer 还有 chair Grace & Fabrizio。