[論文レビュー] Survey on English Entity Linking on Wikidata

Cedric Möller, Jens Lehmann+1 more|arXiv (Cornell University)|Dec 3, 2021

Topic Modeling被引用数 3

ひとこと要約

このサーベイは、ウィキデータを用いた英語のエンティティリンク（EL）を分析し、既存のデータセット、アプローチ、およびウィキデータ固有の特徴を評価している。その結果、大多数のEL手法がウィキデータを他の知識グラフと同様に扱っており、多言語性、時系列に依存する更新、ハイパーリレーショナル構造といった特徴を十分に活用していないことが明らかになった。これは、グラフ埋め込みと型情報の活用によって、改善の余地があることを示唆している。

ABSTRACT

Wikidata is a frequently updated, community-driven, and multilingual knowledge graph. Hence, Wikidata is an attractive basis for Entity Linking, which is evident by the recent increase in published papers. This survey focuses on four subjects: (1) Which Wikidata Entity Linking datasets exist, how widely used are they and how are they constructed? (2) Do the characteristics of Wikidata matter for the design of Entity Linking datasets and if so, how? (3) How do current Entity Linking approaches exploit the specific characteristics of Wikidata? (4) Which Wikidata characteristics are unexploited by existing Entity Linking approaches? This survey reveals that current Wikidata-specific Entity Linking datasets do not differ in their annotation scheme from schemes for other knowledge graphs like DBpedia. Thus, the potential for multilingual and time-dependent datasets, naturally suited for Wikidata, is not lifted. Furthermore, we show that most Entity Linking approaches use Wikidata in the same way as any other knowledge graph missing the chance to leverage Wikidata-specific characteristics to increase quality. Almost all approaches employ specific properties like labels and sometimes descriptions but ignore characteristics such as the hyper-relational structure. Hence, there is still room for improvement, for example, by including hyper-relational graph embeddings or type information. Many approaches also include information from Wikipedia, which is easily combinable with Wikidata and provides valuable textual information, which Wikidata lacks.

研究の動機と目的

• ウィキデータ固有のエンティティリンクデータセットの状況とその構築方法を分析すること。
• ウィキデータの独自特徴がELデータセット設計にどのように影響するかを評価すること。
• 現在のELアプローチが、多言語性やハイパーリレーショナル構造といったウィキデータ固有の特徴をどの程度活用しているかを調査すること。
• 既存のELアプローチで未活用のまま残っているウィキデータの特徴を特定すること。
• ウィキデータの潜在的力を十分に活かせていないデータセット設計とモデル利用のギャップを明らかにすることで、今後の研究を導くこと。

提案手法

• 2011年から2020年までの42編のウィキデータベースのEL論文を対象とした体系的サーベイ。
• アノテーション方式、構築手法、言語対応の観点からデータセットを分類。
• 12種類のELアプローチを分析し、ラベル、説明文、型、グラフ構造といったウィキデータプロパティの使用状況に注目。
• ベンチマークデータセット上でのF1、正答率、再現率などの指標を用いてアプローチを比較。
• HITS、PageRank、Word2Vec、およびRoBERTaなどのトランスフォーマー基盤モデルを含むモデルアーキテクチャの評価。
• 現在のELパイプラインで未活用されている特徴、例えばハイパーリレーショナル構造や時系列に依存する更新の特定。

実験結果

リサーチクエスチョン

• RQ1 どのようなウィキデータ固有のエンティティリンクデータセットが存在し、どのように構築されているか？
• RQ2 ウィキデータの独自特徴（多言語性や時系列的更新など）は、ELデータセット設計にどのように影響するか？
• RQ3 現在のELアプローチは、ハイパーリレーショナル構造や型情報といったウィキデータ固有の特徴をどの程度活用しているか？
• RQ4 既存のELアプローチで未活用のまま残っているウィキデータの特徴は何か？
• RQ5 ウィキデータとWikipediaのデータを統合するELモデルは、性能向上にどのように寄与するか？

主な発見

• 多くのウィキデータベースELデータセットは、DBpediaと同一のアノテーション方式を採用しており、多言語性や時系列依存の特徴を十分に活用していない。
• ELアプローチのうちたった30％しか、ウィキデータのハイパーリレーショナル構造を活用していないが、これは誤検出の緩和に大きな可能性を秘めている。
• 候補エンティティの順位付けにPageRankやHITSを用いるアプローチは性能向上を示しているが、接続性を越えたグラフ構造の活用はほとんど行われていない。
• 多言語モデル（例：Bothaら[15]）は、ウィキデータの多言語性を活用することでF1が0.91に達し、優れた性能を示している。
• ウィキデータとWikipediaのテキストを統合するモデル（例：DoSeR）は、エンティティの説明を豊かにすることで、より高い正答率を達成している。
• 広く使われているにもかかわらず、15％のアプローチしか型情報を利用していない。また、ハイパーリレーショナルグラフ埋め込みはEL分野でほとんど未開拓のままである。