基于依存的 LSTM-CRF 命名实体识别

EMNLPSep, 2019

Dependency-Guided LSTM-CRF for Named Entity Recognition

Zhanming Jie, Wei Lu

TL;DR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。

Abstract

Dependency tree structures capture long-distance and syntactic relationships between words in a sentence. The syntactic relations (e.g., nominal subject, object) can potentially infer the existence of certain named entities. In addition, the performance of a named entity recognizer cou

dependency trees named entity recognition lstm-crf model syntactic relationships long-distance interactions

发现论文，激发创造

高效的依赖引导命名实体识别

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。

Oct, 2018

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

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

使用 LSTM 对序列和树结构进行端到端的关系提取

本研究提出了一种使用神经网络的模型，能够同时提取实体和它们之间的关系，并通过 LSTM-RNNs 进行优化，与现有的基于特征的模型相比，实现了较大的性能提升，并且在 nominal relation classification 方面与 CNN-based 的模型相比表现更好；还通过消融分析研究了多个模型组件和预处理对实验结果的影响。

Jan, 2016

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

SEE: 基于语法感知的实体嵌入用于神经关系抽取

本文提出了一种基于语法树和句子嵌入的远程监督关系抽取方法，使用句子和实体的嵌入对关系进行分类，实验结果表明这种方法在真实数据集上取得了最佳的性能。

Jan, 2018

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

高度不平衡数据下适应性命名实体识别

本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构，其中嵌入向量（Glove，BERT）的融合输入被用来增强模型的泛化能力，还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recognition 任务的性能。经实验证明，该方法显著提高了弱类的表现结果，并且只使用了非常少量的数据集。

Mar, 2020

CNN-LSTM-CRF 和词语分割联合训练实现的神经网络中文命名实体识别

本文提出了一种神经方法来解决中文命名实体识别的挑战，该方法包括使用 CNN-LSTM-CRF 神经架构来捕捉 CNER 的本地和长距离上下文，引入统一框架来联合训练 CNER 和分词模型以增强 CNER 模型在识别实体边界方面的能力，以及使用自动方法从现有标记数据生成伪标记样本来扩充训练数据。实验结果表明，该方法特别适用于训练数据不足的情况下，可以有效提高中文命名实体识别的性能。

Apr, 2019