EMNLPSep, 2019

将跨度合并为实体：识别不连续实体的神经两阶段方法

PDF
TL;DR本文提出了一种神经网络模型来识别医学文档中具有不连续序列和重叠结构的实体，通过将这个问题分解成两个子任务：检测所有重叠跨度，并将这些跨度组合成不连续的实体。使用两个神经组件学习这些子任务的过程，并能够在标准数据集上实现最先进的性能。
entity recognitionneural networkmedical documentsoverlapping spansdiscontiguous entities
发现论文，激发创造
  • 一种基于 Span 的模型用于联合识别重叠和不连续实体

    提出了一种新的基于 span 的模型，旨在准确地识别重叠和不连续的命名实体，并通过关系分类判断实体片段之间的关系。实验结果表明，这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。

    Jun, 2021

  • 学习识别不连续实体

    该研究聚焦于识别不连续实体，通过使用新的超图表示方法来编码不连续且重叠的实体，形成一个独特的模型。研究结果表明，该模型在处理大量不连续实体的数据时显示出较强的优势。

    Oct, 2018

  • 神经分段超图用于重叠提及识别

    本文提出了一种新的分割超图表示法来建模大量实际数据集中普遍存在的重叠实体提及，在此基础上构建的模型具有比以前的模型更好的表示能力，且推理复杂度低。配合特征学习的神经网络，我们的模型在三个带有重叠提及的基准数据集上实现了最新的性能。

    Oct, 2018

  • 定位与标记：用于嵌套命名实体识别的两阶段识别器

    该研究提出两阶段标识器以识别嵌套实体，其通过过滤种子跨度和边界回归生成跨度建议，并准确地标记跨度与相应类别。实验结果表明，该方法优于以往最先进的模型。

    May, 2021

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021

  • 少样本实体识别的混合多阶段解码方法与实体感知对比学习

    我们提出了混合多阶段解码的少样本命名实体识别方法，通过实体跨度检测和实体分类的两个阶段，结合对比学习模块以增强实体表示，实现了在少样本情况下识别新类型命名实体的能力。

    Apr, 2024

  • 一种有效的基于转移的不连续命名实体识别模型

    提出了一种基于转换和使用通用神经编码的简单有效的模型，能够识别医学命名实体识别中存在的连续和不连续的提及，同时在三个生物医学数据集上实验表明，该模型能够有效识别不连续提及，不会牺牲连续提及的准确性。

    Apr, 2020

  • 作为最大团探测的间断命名实体识别

    本文提出了一种基于 Mac 模型的分段图算法，用于解决实体识别中异构实体的问题。该算法可将异构实体视作图中的节点，通过识别图中的最大团并连接团内的连续实体段，实现对异构实体的非参数化处理，在三个基准数据集上的结果证明该方法领先于目前的最优算法，并且速度提高了 5 倍。

    Jun, 2021

  • Split-NER：基于两个问题 - 回答分类的命名实体识别

    我们通过将 NER 问题分成两个逻辑子任务来解决，即 Span Detection 和 Span Classification，进一步将两个子任务形式化为问答问题，使用两个较为简洁的模型针对每个子任务进行优化。与 OntoNotes5.0、WNUT17 和一个网络安全数据集的基准模型相比，我们的系统 SplitNER 表现出色，并且在 BioNLP13CG 数据集上取得了相当的性能，同时与 QA 基准模型相比，训练时间显著减少。我们的系统的有效性来自对 BERT 模型进行两次微调，分别用于 span detection 和 classification。该研究代码可在给定的 https URL 上找到。

    Oct, 2023

  • 一种令人尴尬的但对嵌套命名实体识别非常强的基准方法

    本文提出使用卷积神经网络来建模得分矩阵中的空间关系以解决嵌套的命名实体识别问题，实验证明相较于最近提出的同类方法，本文提出的方法更为优秀，并且发现不同的论文使用不同的句子标记化会对结果产生影响，因此提供一种易于使用的预处理脚本以便于日后比较。

    Aug, 2022