AAAIOct, 2018

高效的依赖引导命名实体识别

PDF
TL;DR该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。
named entity recognitiondependency treesnatural language processingsemantic-level informationsemi-markov conditional random fields
发现论文，激发创造
  • 基于依存的 LSTM-CRF 命名实体识别

    提出了一种简单而有效的依赖树导向的 LSTM-CRF 模型，以对命名实体识别（NER）任务中的完整依赖树进行编码并捕捉其相关属性，从而显著提高 NER 和实现领先水平，并发现依赖关系和依赖树提供的长距离交互是其主要原因。

    Sep, 2019

  • 实体识别作为依存句法分析

    本文基于图形依存解析思想，利用双仿射模型对输入进行全局视图，探索所有语句中的跨度，以准确预测命名实体，以 Nested NER 为例， 对 8 个语料库进行了评估并取得了所有语料库的 SOTA 性能，最高的准确度增益高达 2.2 个百分点。

    May, 2020

  • 更好的命名实体识别特征集成

    本文提出了一种简单而强大的方法 —— Synergized-LSTM 来结合 linear sequences 和 dependency trees 两类特征以优化 named entity recognition 的效果；实验结果显示，相较于基于 LSTM 和 GCN 的模型，该方法在四种语言的多个标准数据集上均有更好的表现，同时需要更少的参数，并能够更好地捕获长距离依赖。

    Apr, 2021

  • 具有相关和全局注意力机制的依存感知实体识别

    通过语法和树结构，我们使用基于语言学的方法识别实体，并通过相对和全局注意机制增强模型特征，最终在标记空间中线性投影加权向量以预测实体标签，发现该模型可以检测揭示句子中实体类型的单词，并在两个数据集上创立了新的最新技术水平。

    Sep, 2019

  • 使用预训练语言模型的端到端命名实体识别和关系抽取

    本文提出了一种基于神经元的端到端模型来联合提取实体和它们的关系，该模型不依赖于外部自然语言处理工具，而是集成了大量的预训练语言模型， 在三个领域的五个数据集上，我们的模型可以与最先进的性能相提并论，有时甚至具有更高的性能。

    Dec, 2019

  • 利用依存森林进行神经医学关系提取

    本研究探讨利用依存森林来缓解医疗领域最优解析树准确率相对较低的问题，并使用图神经网络来自动识别有用的语法信息。该方法在两个生物医学基准测试中表现优异，达到了文献中最先进的结果。

    Nov, 2019

  • 用于命名实体识别的图卷积网络

    本文研究了依赖树在使用一组 GCN 的命名实体识别器中的作用。我们对不同的 NER 架构进行比较，并表明一句话的语法对结果产生积极影响。在 OntoNotes 数据集上的实验表明，在不需要大量特征工程或额外的语言特定知识的情况下，可以实现一致的性能改进。

    Sep, 2017

  • 深度学习模型中命名实体识别的最近进展综述

    本文综述了深度神经网络在命名实体识别方面的应用，相对于传统的基于特征工程和监督或半监督学习算法的实体识别方法，神经网络在该领域中取得了更好的效果，并表明吸收过去的基于特征的 NER 系统的一些经验教训可以进一步提高性能。

    Oct, 2019

  • 命名实体识别的深度学习调查

    本文基于三个维度的分类法，系统地回顾了深度学习在命名实体识别上的应用技术，并介绍了面临的挑战和未来的研究方向。

    Dec, 2018

  • 利用句法信息的关键实体识别自适应集成提升

    通过注意力集成和提出的键值内存网络、语法注意力和门机制来利用不同类型的句法信息，提高了命名实体识别，并在六个英语和中文基准数据集上实验。

    Oct, 2020