读清华大学刘知远老师的今年的一篇IJCAI文章Representation Learning for Measuring Entity Relatedness with Rich Information。
相比词汇相似度计算，维基实体相关度计算更加挖掘维基百科语料库的特性。其相关性计算大致分为三类：
1. text-theoretic 利用维基百科语料的海量特性。通过统计的方法进行词汇表征（word representation）。传统方法简单地以维基article(不知道怎么翻译合适)为基础构建一个语义空间。统计词语与维基article的共现，从而将词语投射到一个高纬的语义空间上。最近几年，大家都更加关注通过神经网络语言模型学习到低维词语表征。
代表工作：LSA ESA(Explicit Semantic Analysis) Word2Vec等
2.graph-theoretic 利用维基百科的链接结构特性，将维基百科的实体进行图表示。直观理解就是图中连接紧密的实体关系更加密切。
3. information-theoretic 利用维基百科的分类结构特性，将维基百科的实体按其分类进行结构化，，然后计算其相关度。
1. 基于大规模语料库
2. 基于语义词典
3. 基于维基百科
从此便踏上征途，也许会孤独一程。
