Oct, 2014

推文中的命名实体识别与链接分析

PDF
TL;DR本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文（一种微博形式），运用自然语言处理技术进行挖掘和智能信息访问的挑战，重点关注了从推文中提取实体并进行实体消歧的任务，介绍了一个新的 Twitter 实体消歧数据集，并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。
natural language processingtweetsinformation extractionnamed entity recognitionentity disambiguation
发现论文，激发创造
  • 提高土耳其推文中命名实体识别的实验

    本文研究了基于社交媒体文本的命名实体识别，旨在提高土耳其推特上的识别效果，通过放宽语言规则和扩展词汇资源，以及使用简单的标准化方案，得到了实验结果和讨论。

    Oct, 2014

  • Twitter 上的命名实体识别：短期时间漂移的数据集和分析

    本研究旨在探索利用预训练模型进行 Twitter 命名实体识别的问题，构建了一个包含七个实体类型的数据集 TweetNER7，并提供了一组语言模型基线。通过分析不同时期对语言模型性能的影响，尤其是短期降级、基于不同时间段进行语言模型微调的策略和自我标记作为最近标记数据的替代方案。

    Oct, 2022

  • 微博中新兴实体的早期发现

    本研究提出了一种基于时态远程监督的有效方法，以揭示刚被引入公众视野通过微博出现的真正的新兴实体，并以大规模 Twitter 存档的实验结果证明，该方法发现的前 500 个新兴实体的精度达到了 83.2％。

    Jul, 2019

  • TweetNLP：社交媒体的前沿自然语言处理

    TweetNLP 是一个支持社交媒体中自然语言处理任务（包括情感分析、实体识别、表情预测和辱骂识别）的综合平台，其采用基于 Transformer 的语言模型，专门用于处理社交媒体文本，提供 Python 库、在线演示和教程等多种支持。

    Jun, 2022

  • 社交媒体数据中的命名实体识别多任务方法

    提出了一种新的多任务方法，通过使用 NE 分段及精细 NE 分类的主要任务和更一般的辅助任务，利用多任务神经网络构架来学习更高阶特征表示，以传统的 CRF 分类器和神经网络结合的方式来解决 Twitter 和分类不一致的问题。

    Jun, 2019

  • 推文中的隐式实体链接

    该文介绍了推特上隐含实体链接的问题并提出了解决方法，利用实体的事实和上下文知识来进行实体链接任务，并展示了隐式实体链接的重要性和相关价值，并公开了真实数据集以促进该新领域的研究。

    Jul, 2017

  • 用于命名实体识别和立场检测的推特数据集标注

    本篇论文介绍了一份土耳其推文数据集，对其中的命名实体和立场信息进行了注释，并公开了其中的内容。它将有助于发现推文中命名实体识别和立场检测之间的可能关系。

    Jan, 2019

  • 在 Tweebank 语料库上进行命名实体识别注释，并建立用于社交媒体分析的 NLP 模型

    本研究旨在创建 Tweebank-NER，一个基于 Tweebank V2 的英文 NER 语料库，用 TB2 训练最先进的 Tweet NLP 模型，并发布名为 Twitter-Stanza 的 NLP 管道。

    Jan, 2022

  • 使用词向量的半监督学习在 Twitter 上进行土耳其语命名实体识别

    本文基于神经网络的半监督学习方法，利用非监督学习获取的词向量及专门为微博文本设计的语言无关特征，成功生成一种识别土耳其微博文本中命名实体的系统，并在推特信息上表现出较好的 F-score 性能，相比之前提出的 NER 系统有所提升。该方法没有使用任何特定的语言特征，因此可以轻松地适用于其他形态丰富的语言的微博文本。

    Oct, 2018

  • 从新闻中学习：在 Twitter 上预测实体的热度

    本文使用监督学习方法，基于新闻周期预测 Twitter 上实体的受欢迎程度，并提取四类特征进行预测，结果表明新闻是预测 Twitter 实体受欢迎程度的良好信息源。

    Jul, 2016