ACLJun, 2019

多粒度命名实体识别

PDF
TL;DR本文提出了一种新的多粒度命名实体识别框架，MGNER，用于检测句子中多个实体或实体提及，这些实体或实体提及可以是不重叠或完全嵌套的。该框架通过检测所有可能的单词片段和分类实体来识别命名实体，其中利用了上下文信息和自我注意机制，实验结果表明，MGNER 在非重叠 / 嵌套 NER 任务中比现有的最先进基线算法表现提高了 4.4% 的 F1 分数。
multi-grained named entity recognitionnon-overlapping entitiesnested entitiescontextual informationself-attention mechanism
发现论文，激发创造
  • 命名实体识别统一的 MRC 框架

    本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

    Oct, 2019

  • MNER-QG：一种用于多模态命名实体识别的端到端机器阅读理解框架与查询引理

    本文提出了一种新颖的端到端框架 MNER-QG，该框架可以同时执行基于 MRC 的多模态命名实体识别和查询接地任务，并通过查询的帮助提供识别实体类型和视觉区域的先验知识，进一步增强了文本和图像的表征。在 Twitter2015 和 Twitter2017 上进行了广泛的实验，实验结果表明，MNER-QG 在 MNER 任务上优于当前最先进的模型，并提高了查询接地性能。

    Nov, 2022

  • Trigger-GNN: 基于 trigger 的图神经网络用于嵌套命名实体识别

    本研究提出了一种基于触发器的图神经网络（Trigger-GNN），通过实体触发编码和语义匹配获取补充注释嵌入，并利用高效的图传递体系结构解决嵌套实体问题。实验表明，Trigger-GNN 在四个公共 NER 数据集上始终优于基线，并能有效缓解嵌套 NER。

    Apr, 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

  • 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

  • 基于机器阅读理解的命名实体识别：一种多任务学习方法

    本文提出了一种多任务学习框架，将标签依赖关系融入基于机器阅读理解的命名实体识别，通过使用自注意力模块来捕捉标签之间的依赖关系，实现更好的性能。

    Sep, 2023

  • 基于高斯先验的嵌套命名实体识别强化学习

    提出了一种新颖的基于 seq2seq 模型与强化学习方法的实体序列生成模型 GPRL，并利用高斯先验表示嵌套实体边界之间的距离分布，调整输出概率分布并能合理地识别嵌套实体，实验结果显示 GPRL 在三个嵌套实体识别数据集上表现优异。

    May, 2023

  • SCANNER: 基于知识增强的鲁棒多模态未见实体命名识别方法

    最近的研究已经将命名实体识别推向较先进阶段，融入了视觉信号，以致产生了多模态命名实体识别（MNER）或基于图像的 MNER（GMNER）的多个变种。我们提出了 SCANNER（用于 NER 的 Span 候选检测和识别），一种能够有效处理这三种 NER 变体的模型。SCANNER 是一个两阶段结构；我们在第一阶段提取实体候选并将其作为查询，从各种来源中获取知识。通过利用这种以实体为中心的提取知识来处理未知实体，我们可以提高性能。此外，为了应对 NER 数据集中由于噪声注释而出现的挑战，我们引入了一种新的自我蒸馏方法，提高了模型在处理具有固有不确定性的训练数据时的鲁棒性和准确性。我们的方法在 NER 基准测试中展示出有竞争力的性能，并在 MNER 和 GMNER 基准测试中超越了现有方法。进一步的分析表明，所提出的蒸馏和知识利用方法改进了我们的模型在各种基准测试中的性能。

    Apr, 2024

  • 具有关系关注和类型关注的多任务 Transformer 用于命名实体识别

    本文提出一种多任务 Transformer 模型，该模型将实体边界检测任务整合到命名实体识别任务中，通过关系分类来实现实体边界检测，并采用外部知识库和自注意力及交叉注意力机制来提高解码时实体类型映射的准确性。在多个实验数据集上的实验结果表明，该方法显著提高了生成型 NER 模型的性能。

    Mar, 2023

  • 通过多粒度嵌入和增强标注进行多级生物医学命名实体识别

    本文提出了一种集成多种模型的混合方法，以解决生物医学实体识别中的局限性，并在 i2b2/2010 数据集上评估，得到了 90.11 的 F1 分数。

    Dec, 2023