ACLMay, 2019

使用标签层次结构的异构标记集联合命名实体识别器

PDF
TL;DR研究了一种领域适应的变体，其中有多个异构标记的训练集可用于命名实体识别，测试标记集与任何单个训练标记集不相同，但提供所有标记之间的关系，利用给定的标记分层共同学习一个神经网络。
domain adaptationnamed-entity recognitiontag hierarchyneural networkmultitasking approach
发现论文，激发创造
  • 基于新颖标注方案的实体和关系联合抽取

    该研究提出了一种基于标记方案的端到端关系抽取模型，将实体和关系一起提取转化成一个标记问题并在公共数据集上实现了最佳结果。

    Jun, 2017

  • 通过联合学习歧义形态标记来提升命名实体识别

    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。

    Jul, 2018

  • 层级递归网络在序列标注中的迁移学习

    本文研究了神经网络在序列标注任务上的最优表现及其通用性，接着讨论了序列标注中的迁移学习问题，并验证了将源任务应用于目标任务可以大幅提高性能，从而超越了多个经典任务的最优表现。

    Mar, 2017

  • 一种神经多任务学习框架，联合建模医疗实体识别和归一化

    文章提出了一种新颖的深度神经多任务学习框架，采用显式反馈策略联合建模识别和规范化任务，实现了一种将层次任务转化为并行的多任务设置，并保持任务之间的相互支持，从而显著提高了模型性能。实验证明，该方法在两个公开的医学文献数据集上的表现均显著优于现有方法。

    Dec, 2018

  • 一个层次化多任务方法用于从语义任务中学习嵌入

    本研究介绍了一种使用多任务学习方式训练的分层模型，在一组精心选择的语义任务上取得了最新领先的结果，包括命名实体识别、实体提及检测和关系提取，无需手工设计特征或使用外部 NLP 工具，同时在模型的底层引入归纳偏差，促使模型产生共享语义表示。

    Nov, 2018

  • TagRec++: 基于层级标签感知的注意力网络用于问题分类

    该论文提出了一种名为 TagRec++ 的模型，将在线学习系统中的问题按照其上下文进行分类，引入了密集的检索问题，采用了交叉注意力机制，优于现有方法，并考虑到了新的标签变化。

    Aug, 2022

  • 基于新的分解策略的实体和关系联合抽取

    本文提出了一种基于序列标注的分解策略，将联合实体和关系抽取任务划分为头实体抽取 (HR) 和尾实体及关系抽取 (TER) 两个子任务，这两个子任务进一步分解为多个序列标注问题以方便通过分层边界标签器和多跨度解码算法解决。实验表明，该方法在三个公共数据集上优于先前的工作，达到了 21.5% 的新最优 F1 分数。

    Sep, 2019

  • 使用领域专用字典学习命名实体标注器

    本文研究使用深度神经模型实现对命名实体的识别，提出了两种神经模型，分别是模糊 CRF 层和 AutoNER 模型，并探讨了如何优化糟糕的监督数据来源以提高 NER 的准确率。实验结果表明，仅使用词典而无需人工操作的 AutoNER 表现最佳，并与最先进的监督基准具有竞争力。

    Sep, 2018

  • 基于异构星型图的类型监督序列标注用于命名实体识别

    本论文研究了包含文本节点和类型节点的异构星型图的表示学习，修正了一种混合形式的图注意力机制，解决了传统序列标注方法中忽略嵌套实体的问题，并提出了一种多层标注策略，经实验验证，该方法在提取扁平和嵌套实体方面均达到了最先进的性能水平。

    Oct, 2022

  • 可学习逻辑规则的弱监督命名实体识别

    本文通过使用少量规则进行弱监督来构建实体标记系统的问题，并提出了一种新的方法 TALLOR，该方法使用高质量的逻辑规则来训练神经标记器， 以完全自动化的方式提高准确性，同时避免神经标记器的过度拟合。

    Jul, 2021