Apr, 2020

基于精细表示的远程监督数据细粒度命名实体识别

PDF
TL;DR本文提出了一种基于图卷积网络的方法，通过关注语料库级别的上下文提示来提炼含噪声的命名实体类型，实验证明该方法相对于现有研究提高了 10.2％和 8.3％的总体宏 / 微 F1 得分。
fine-grained named entity typingnatural language processingentity mentiondistant supervisiongraph convolution network
发现论文，激发创造
  • 使用 TypeNet 进行更细粒度的实体类型划分

    介绍了 TypeNet 数据集，该数据集由 1941 个类型组成，通过人工注释从 1081 个 Freebase 类型映射到 WordNet。本文还探讨了几种与先进系统可比的模型，以及在标准提及类型损失的基础上结合层次结构损失的技术，是未来研究的第一步。

    Nov, 2017

  • 一种细粒度实体类型分类的注意力神经网络架构

    本文提出了一种新颖的基于注意力机制的神经网络模型，用于精细分类实体类型，与以前的模型不同的是，我们的模型递归地构建实体提及上下文的表示。我们的模型在著名的 FIGER 数据集上实现了 74.94% 的松散微平均 F1 分数，相对提高了 2.59％。我们还研究了我们的模型中注意机制的行为，并观察到它可以学习表明实体精细类别成员资格的上下文语言表达式。

    Apr, 2016

  • 基于路径注意力机制的细粒度实体类型识别神经模型

    该研究提出了一种名为 PAN 的端到端实体类型模型，通过利用类型的层次结构来学习噪声鲁棒性，该模型有效避免了在训练过程中的标签噪声和错误传播问题。

    Oct, 2017

  • 从超细到精细：微调超细实体类型模型至细粒度

    通过使用超细粒度实体类型数据训练一个具有极广泛类型覆盖的实体类型模型，然后在新设计的细粒度实体类型模式下，通过少量手动标注的样本对先前训练的模型进行微调，我们提出了一种新的方法，能够避免在新类型架构时创建远距离标记数据的需求，并在低样本学习设置下实现出色的细粒度实体类型识别性能。

    Dec, 2023

  • 通过联合学习表示和标签嵌入进行细粒度实体类型分类

    本文提出了一种基于神经网络的模型，联合学习实体提及及其上下文表示，通过使用非参数的变体铰链损失函数解决训练数据含噪的问题，并证明了该模型表现优于现有技术，同时可以实现知识迁移。

    Feb, 2017

  • 为实现精细化实体类型标注而进行的本体增强

    OnEFET 是一种无需人工注释的高质量细粒度实体类型方法，通过对本体结构进行信息扩充，并利用训练样本扩充和话题信息的粗到细的分层方法，超越现有的零样本方法，赶上有监督方法。

    Oct, 2023

  • 利用来自掩蔽语言模型的弱监督进行超细实体类型识别

    本文提出了使用 BERT 遮盖语言模型 (Masked Language Model) 获得超细粒度实体类型的训练数据，并构建一个输入使其产生预测上下文相关的超类词表中的概念，其可用作类型标签。在实验结果中表明，通过这些自动生成的标签，超细粒度实体类型模型的性能大大提高。同时，我们还展示了这种方法可以用于改进传统的细粒度实体类型。

    Jun, 2021

  • 细粒度实体类型自动嘈杂标签纠正

    本文提出了一种新方法，通过估计先前模型的逻辑输出确定潜在的嘈杂标签，然后训练一个鲁邦模型来除去剩余的噪声标签，从而自动校正 FINE-Grained 实体类型任务中的嘈杂标签，证明了方法的有效性。

    May, 2022

  • 实体链接技术优化细粒度实体类型划分

    通过实体链接，结合上下文信息和查询结果，我们提出了一种深度神经模型，用于精细化实体类型分类。在两个数据集上的实验结果表明，相对当前最先进水平，我们的方法分别取得了超过 5％的绝对严格准确度提高。

    Sep, 2019

  • MZET: 带记忆增强的零样本细粒度命名实体类型判定

    本文提出了一种新的记忆增强 FNET 模型，名为 MZET，以零样本学习的方式解决新出现的实体类型问题，在字符级、词级和上下文级信息中学习实体表述，并将语义含义和层次结构纳入实体类型表述中，通过内存组件将知识从已见实体类型传递到零样本中，并在三个公共数据集上表现出优越的性能，技术水平超过 FNET 神经网络模型，Micro-F1 和 Macro-F1 得分最高可达 7%。

    Apr, 2020