ACLApr, 2020

将不确定的分割信息融入社交媒体中文 NER

PDF
TL;DR本文提出一种针对中文社交媒体的命名实体识别模型 (UIcwsNN)，通过利用词语切分的不确定性信息，实现对实体的识别，其使用了候选位置嵌入、位置选择性注意和自适应词卷积的三合一编码方式来获取合适的词层次表达，并在社交媒体语料库上得到了显著的性能提高。
chinese word segmentationnamed entity recognitionsocial media textuncertain informationperformance improvement
发现论文，激发创造
  • 利用词语分割表示学习提高中文社交媒体名称实体识别

    本文研究利用神经网络模型共同训练中文社交媒体的命名实体识别（NER）和分词（word segmentation）任务，与之前的研究相比，使用 LSTM-CRF 模型得到了将近 5% 的显著提高。

    Mar, 2016

  • 古代汉语 CWS 和 POS 的基于不确定性的检索框架

    提出古代汉语词分割和词性标注框架，通过捕捉词性语义和引入外部知识重新预测基线模型的不确定样本，有效提升性能。

    Oct, 2023

  • 使用词嵌入的卷积神经网络用于中文分词

    本文提出了基于卷积神经网络的、能够自动获取丰富 n-gram 特征的中文分词模型，并结合词嵌入有效地解决了单个字不足以表示完整词汇信息的问题，经过在 PKU 和 MSR 两个基准数据集的实验，该模型在两个数据集上均表现出有竞争力的性能。

    Nov, 2017

  • 运用语义增强的方式进行社交媒体文本的命名实体识别

    在本文中，我们提出了一种基于神经网络的命名实体识别方法，它能够同时考虑本地文本信息和通过对大规模语料库进行语义扩充所获得的信息，并且采用注意力机制和门控机制来编码和聚合这些信息，从而在三个从英文和中文社交媒体平台收集的基准数据集上展现出了明显的优越性。

    Oct, 2020

  • 神经网络中的中文分词：序列到序列翻译模型

    提出了一种基于注意力机制编码解码框架的序列到序列的中文分词模型，拥有全局信息和多任务融合的能力，并在微博、北大和微软亚洲等数据集上取得了与最先进方法相当的竞争性能。

    Nov, 2019

  • 基于分段语言建模的汉语无监督神经分词

    本文提出了基于分段的语言模型处理无监督中文分词的方法，并使用上下文编码器和分段解码器设计了神经模型，达到了与最新统计模型相当的性能。

    Oct, 2018

  • 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

  • 具有词典知识的神经网络中文分词

    本文探讨了优化中文分词的策略，两种基于神经网络的方法被提出，分别是基于伪标签数据的生成和基于多任务学习。实验结果验证了这些方法在缺乏标注数据时都能有效地提高性能。

    Jul, 2018

  • 通过搜索引擎增强提高中文命名实体识别

    本研究旨在提出一种基于外部知识语义增强的神经网络方法，通过多通道语义融合模型结合检索自搜索引擎的外部相关文本，对中文命名实体识别进行研究，实验证明该方法在正式和社交媒体语境下四个命名实体数据集中均取得了较好的效果。

    Oct, 2022

  • CAN-NER：用于中文命名实体识别的卷积注意力网络

    本研究探讨了一种名为 Convolutional Attention Network (CAN) 的中文命名实体识别方法，该方法基于字符级卷积神经网络与门控循环神经网络，通过局部注意层和全局自注意层来捕获相邻字符和句子上下文的信息，并不依赖于外部词典等资源，使用小的字符嵌入，有效地提高了识别性能。该方法在微博、MSRA 和中文简历数据集等不同领域数据集上表现优于现有最先进方法，且不需要使用字嵌入和外部词典资源。

    Apr, 2019