ACLNov, 2015

USFD: 带有漂移补偿和关联数据的 Twitter 命名实体识别

PDF
TL;DR本研究通过利用来自 Linked Data 的词汇表和无监督特征聚类，利用结构化学习方法针对社交媒体文本中的实体标签问题，构建了一个针对 Twitter 数据集的 NER 系统，其效果竞争力较强。
pilot ner systemtwitterw-nut 2015 ner shared taskstructured learninglinked data
发现论文，激发创造
  • 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

  • 推文中的命名实体识别与链接分析

    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。

    Oct, 2014

  • TweetNERD -- 用于推文的端到端实体链接基准测试

    TweetNERD 是一个包含 340k + 推文数据集，是用于评估自然语言处理（NLP）中在推文上进行 NERD 系统基准测试的最大和最具时间差异性的开放数据集之一。

    Oct, 2022

  • 缓解时间漂移：保持 NER 模型清晰的简单方法

    该研究提出了一种测量推文潜在趋势的直观方法，用于选择最具信息价值的实例以用于训练命名实体识别的神经模型的更新，实验表明，该方法比其他方法使用更少的训练数据更能提高准确性，是一个实用的解决方案。

    Apr, 2021

  • 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

  • 运用深度学习简化社交媒体信息检索，为公共卫生研究提供服务

    本研究介绍了一种基于 BERT 的命名实体识别（NER）模型，一个深度学习规范化模块以及一个半监督聚类模块构建的框架，用于从社交媒体中提取与 COVID-19 相关的症状词典，并对其进行标准化，以减少在基于社交媒体的公共卫生研究中的关键词匹配信息检索约束。

    Jun, 2023

  • 基于命名实体识别和主题建模的社交媒体中自然灾害定位和评估的解决方案

    在这篇论文中，我们提出了一个三步解决方案，旨在充分利用社交媒体内容和自然语言处理技术，实现灾害信息学中的相关分类、地点提取和主题建模，以应对社交媒体内容中的挑战。

    May, 2024

  • 社交媒体可定位实体识别

    我们提出了一种新方法用于识别目标化命名实体；我们的方法不需要重新训练统计模型，这使得它对于经常更新的实体类型更加适应。我们的系统使用从 Twitter 收集的数据，以电影标题为例进行测试。在两个评估集上进行测试，我们的最终模型显示 F1 得分为 76.19％和 78.70％，这表明我们的方法完全不偏向于任何训练过程中找到的特定实体集。

    Aug, 2014

  • 中文社交媒体命名实体识别的 F-Score 驱动最大间隔神经网络

    本研究提出了基于 B-LSTM 神经网络的半监督学习模型，结合传统方法和深度学习，并利用 F-score 训练模型以提高准确率。最终模型在 named entity recognition 领域取得了 7.44% 的提升。

    Nov, 2016

  • 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