ACLApr, 2020

基于师生学习的单 / 多源跨语言实体识别技术在目标语言上使用未标注数据

PDF
TL;DR本文提出一种基于师生学习方法的跨语言命名实体识别学习方法，该方法能够更好地利用源语言和目标语言中的已标注和未标注数据，特别适用于多源跨语言学习，实验证明该方法在三种目标语言上均优于现有的最先进方法。
named entity recognitioncross-lingual learningteacher-student learningunlabeled datamulti-source learning
发现论文，激发创造
  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021

  • 零资源跨语言命名实体识别

    本文提出一种基于词级对抗训练、参数共享和特征增强的无监督跨语言命名实体识别模型，可在不依靠双语词典或平行数据的情况下，将命名实体知识从一种语言转移到另一种语言。通过对五种不同语言的实验表明，该模型的有效性优于现有模型，并为每个语言对设置了新的 SOTA。

    Nov, 2019

  • 通过有效的注释和表示投影进行弱监督的跨语言命名实体识别

    本文提出两种弱监督的跨语言实体标识方法，分别基于注释投影和词嵌入，无需使用目标语言的人工注释数据。同时，我们设计了两种协同解码方案，将两个基于投影的方法的输出相结合，评估表明这种组合性的方法优于其他三种弱监督方法。

    Jul, 2017

  • UniTrans: 统一模型转移和数据转移，利用未标记的数据进行跨语言命名实体识别

    本文提出了一种称为 UniTrans 的新方法，以统一模型和数据转移，通过增强的知识蒸馏从未标记的目标语言数据中利用可用信息，对比 4 种目标语言的基准数据集表明，UniTrans 显著优于现有的最先进方法。

    Jul, 2020

  • 低资源跨语言命名实体识别的双重对比框架

    本篇论文提出了一种名为 ConCNER 的新颖双重对比框架，针对有限来源语言标注数据的跨语言命名实体识别问题，通过翻译对数据进行增广，并利用对比学习和知识蒸馏的方法，提高模型的性能。

    Apr, 2022

  • 多语言命名实体识别中的转移来源

    本论文研究多语言命名实体识别问题，提出用多语言数据训练模型，并在单语言数据上进行微调，通过参数共享和微调提高多语言模型的性能。

    May, 2020

  • mCL-NER: 多视角对比学习的跨语言命名实体识别

    通过多视角对比学习，在跨语言命名实体识别任务中，对于语义和标记级别的表示进行对齐，扩展了不同语言之间的实体投影，同时结合自学习和标注源数据与无标注目标数据的方法，在 40 种语言的 XTREME 基准测试上实现了近 + 2.0 F1 分数的显著提高，并成为新的现有技术的顶级表现者。

    Aug, 2023

  • DualNER：用于零样本跨语言命名实体识别的双重教学框架

    本文提出了一种名为 DualNER 的简单有效方法，通过联合序列标注和跨度预测两种方法的多任务框架，使用注解的源语言语料库和无标签的目标语言文本进行跨语言命名实体识别，并引入实体感知的正则化来增强不同语言中相同实体之间的内在跨语言对齐。实验和分析证明了 DualNER 的有效性。

    Nov, 2022

  • 具有最少资源的神经跨语言命名实体识别

    提出了一种基于双语单词嵌入的翻译方法，以改善跨语言的 named-entity recognition 性能，并使用 self-attention 来提高鲁棒性。在对常见语言的测试中达到了最先进或具有竞争力的 NER 性能。

    Aug, 2018

  • 基于元学习技术的极少资源跨语言命名实体识别增强模型

    本文提出了一种元学习方法，通过细调源语言模型，结合相似示例中所传达的结构和语义信息来增强目标语言的命名实体识别。在五种目标语言上的实验表明，该方法显著优于现有的最先进方法。

    Nov, 2019