AAAISep, 2018

神经实体推理器在 NER 中实现全局一致性

PDF
TL;DRNeural Entity Reasoner (NE-Reasoner) framework uses symbolic memory and specific interaction-pooling mechanism to introduce global consistency of recognized entities into Neural Reasoner over Named Entity Recognition (NER) task, and can accommodate ambiguous words and rare name entities to outperform conventional NER models in most cases on both English and Chinese NER datasets.
neural entity reasonerglobal consistencynamed entity recognitionsymbolic memoryparameter sharing strategy
发现论文，激发创造
  • 基于神经网络的推理

    Neural Reasoner 是一个基于神经网络的推理框架，具有特殊的交互池机制和深度结构，能够处理不同类型的推理和语言表达形式，并在两个困难人工任务中表现出优越性能。

    Aug, 2015

  • 使用递归神经网络对实体、关系和文本进行推理链

    本论文致力于将符号逻辑推理的多步骤推理与神经网络的概括功能相结合。在文本和大型知识库中对实体和关系进行复杂推理。提出了三种重要的建模方法：（1）学习联合推理关系（2）使用神经注意力建模多个路径（3）学习在单个 RNN 中共享强度，使用我们的方法在实验任务中实现了 25％的错误率降低，推理中的错误率降低了 84％。

    Jul, 2016

  • VerifiNER: 基于知识驱动的大语言模型增强的命名实体识别的验证

    最近在领域特定命名实体识别（NER）方面采取的方法取得了显著进展，但它们仍然缺乏准确性，产生错误预测。本文提出了一种后续验证框架 VerifiNER，通过利用知识来从现有的 NER 方法中识别错误并修正成更为准确的预测。我们的框架利用大型语言模型的推理能力和背景信息，在验证过程中充分基于知识。通过对生物医学数据集进行广泛实验验证了 VerifiNER 的有效性。结果表明，作为一种模型无关的方法，VerifiNER 可以成功验证现有模型的错误。对于领域外和资源有限情况的进一步分析显示了 VerifiNER 在实际应用中的有用性。

    Feb, 2024

  • GlobalNER：将非局部信息结合到命名实体识别中

    本研究使用基于深度神经网络的查询生成方法和基于 BERTScore 的提及感知的重新排序体系结构，以进一步提高命名实体识别的性能。最后，在 WNUT17 数据集上实现了 61.56 的微 F1 得分。

    Mar, 2023

  • 基于神经网络的命名实体识别易用程序 NeuroNER

    该论文介绍了 NeuroNER，一种基于人工神经网络的易于使用的命名实体识别工具。用户可以使用图形化的 Web 用户界面（BRAT）注释实体，从而训练 ANN，并预测新文本中实体的位置和类别。NeuroNER 使这个注释 - 训练 - 预测流程变得平滑和易于访问。

    May, 2017

  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021

  • 命名实体识别中的泛化：定量分析

    本文旨在量化命名实体识别（NER）方法在 Web 内容和用户生成内容中的多样性如何影响其效果，并发现 NER 方法在具有有限训练数据的多样化数据类型中难以实现推广。文章还发现，领先的 NER 系统靠训练数据中的表面形式，很难进行推广。

    Jan, 2017

  • ConNER: 跨语言命名实体识别的一致性训练

    通过提出 ConNER 一种新型一致性训练方法，习得一个对扰动和数据具有鲁棒性的模型，该方法通过对标注和未标注数据的翻译和丢失操作的表现进行一致性训练，提高了跨语言自适应性能，并在各种基线方法上取得了一致的改进效果。

    Nov, 2022

  • IXA/Cogcomp 参加 SemEval-2023 第 2 项任务：基于知识库的上下文增强的多语言命名实体识别

    本文介绍了一种新的命名实体识别级联方法，它由三个步骤组成：首先在输入句子中识别候选实体，然后将每个候选实体链接到现有的知识库中，最后预测每个实体候选的细粒度类别。实验证明，外部知识库在准确分类细粒度和新兴实体方面具有重要意义，并且我们的系统在 MultiCoNER2 共享任务中表现出强大的性能，即使在使用高资源语言的知识库情况下，也能在低资源语言环境中获得良好的表现。

    Apr, 2023

  • 增强文档级命名实体识别的标签一致性

    本文介绍了一种名为 ConNER 的方法，通过提高修饰词（如形容词和介词）的标签依赖性来实现更高的标签一致性，从而改善生物医学实体的输出表示。该方法在四个流行的生物医学 NER 数据集上证明了其有效性，并在两个数据集上实现了 7.5-8.6％ 的绝对改进。

    Oct, 2022