COLINGJul, 2018

通过联合学习歧义形态标记来提升命名实体识别

PDF
TL;DR本研究提出了一种模型，通过联合学习 NER 和 MD 标签器来减轻需要 MD 工具的需求，并且可以在不同语言之间独立进行，实现了命名实体识别性能的提高和竞争性的形态消歧定位器表现。
named entity recognitionmorphological disambiguationlinguistic featuresmodel architecturejoint learning
发现论文，激发创造
  • 跨语种字符级神经形态标注

    本文研究如何利用转移学习的方法，通过训练 character-level recurrent neural taggers 的方式，使得高资源语言和低资源语言都能够正确预测 morphological taggings，成功地实现了多语言间的知识迁移，有效提高了准确性达 30%。

    Aug, 2017

  • 命名实体和形态学的神经建模 (NEMO^2)

    通过调查一个新的 NER 基准，我们研究了现代希伯来语中的 NER。 结果表明，显式建模形态的边界可以提高 NER 性能，而一个新的混合体系结构极大地超越了标准流水线，在这个流水线中形态分解严格先于 NER，为希伯来语 NER 和希伯来语形态分解任务设置了新的性能基准。

    Jul, 2020

  • 联合符号音标标注、词形还原、规范化和细粒度形态标注

    该研究使用阿拉伯语探讨了联合建模的方法，具体包括字符级别的词汇化特征和字词级别的非词汇化特征，可以更好地将模糊的语言特征解模糊，进一步提高模型的效果和词义的准确性。该方法在现代标准阿拉伯语和阿拉伯埃及话方言的翻译中都取得了相对较好的实验结果。

    Oct, 2019

  • 一种形态感知的网络用于形态歧义消解

    使用深度学习模型进行形态学消歧，以土耳其语为主要研究对象，同时在德语和法语上也获得了高精度。

    Feb, 2017

  • 利用形态信息增强深度神经网络

    通过将词汇学特征添加到 LSTM 和 BERT 模型中，我们比较了多种语言中命名实体识别、依赖解析和评论过滤任务的基线和改进模型表现，结果显示，根据所添加的特征的质量和任务的不同，这些特征对于 LSTM 的 NER 和 DP 任务表现提升效果较好，而不太适用于 CF 任务；对于 BERT，只有在高质量特征时才会对 DP 表现有所改善，而且相对于强大的多语言 BERT 模型，语言特异性 BERT 变体的改善程度较小。

    Nov, 2020

  • 低资源语言的跨语言形态标注

    提出了一种适用于低资源语言的模型来训练形态标记器，该模型使用 Wesabie 模型进行打标， 通过在语料库中引入 POS 词性标注的元信息，将标记信息从富资源语言映射到贫资源语言，实现了跨语言知识的迁移，可以提高句法分析的效果。

    Jun, 2016

  • 针对联合多特征和多方言形态建模的对抗多任务学习

    本文探索了利用多任务学习和敌对训练方法解决形态丰富的阿拉伯语言以及方言差异问题，并以现代标准阿拉伯语（高资源方言）和埃及阿拉伯语（低资源方言）为案例，在全面的形态标注中取得了最先进的结果。

    Oct, 2019

  • 神经因子图模型用于跨语言形态标记

    本研究提出了一种基于神经网络潜在能力的因子条件随机场模型，可用于语言之间的跨领域形态标注技术，在低资源语言中展现出卓越的标注准确性。

    May, 2018

  • 对土耳其文本进行标注和形态学消歧

    该文介绍了基于土耳其语形态学的全面双层规范的 POS 标记器，通过局部邻域约束、启发式和有限量的统计信息，实现了形态学消歧，可以在很少的用户介入下准确地标记约 98-99％的文本。并且通过该标记器形态上消歧的句子，土耳其语 LFG 解析器的平均歧义解析减少了约 50％，且解析速度接近 2.5 倍。该标记功能不仅局限于土耳其语，还可以应用于具有适当形态学分析接口的任何语言。

    Jul, 1994

  • 词嵌入和词形态的联合模型

    本文介绍了一种联合模型，能够对单词进行无监督的形态分析，并学习从形态素到单词嵌入的字符级组成函数。该模型对单词进行分割，并根据其预测上下文单词的能力对每个分割部分进行加权。我们的形态分析与专门的形态分析器相当，并且在语法类比回答任务中表现优异。最后，我们表明，将形态学明确纳入字符级模型有助于它们生成与人类判断更相关的未知单词的嵌入。

    Jun, 2016