ACLMay, 2020

低资源命名实体识别的软性地名词典

PDF
TL;DR该研究提出了一种 “软型 Gazetteer” 的方法，通过跨语言实体联接将英语知识库中的广泛信息引入神经命名实体识别模型，以解决在低资源语言中设计手动特征的问题，并在 4 种低资源语言上进行了实验证明。
named entity recognitiongazetteersneural network modelslow-resource languagessoft gazetteers
发现论文，激发创造
  • 提高神经网络命名实体识别的鲁棒性词汇特征

    本文介绍一种使用神经网络方法进行实体识别的系统，主要聚焦于研究如何在建模时引入词汇特征，并通过低维向量空间嵌入和高效训练得到最佳结果，最终在公开数据集上取得了较高的 F1 分数。

    Jun, 2018

  • 重新思考在中文命名实体识别中的地名词典价值

    本文通过重新检验增强命名实体识别的常见做法和详细分析模型性能和词表特征之间的关系，指导我们构建更合适的词表。发现：（1）词表有助于解决传统 NER 模型难以学习的情况。（2）模型性能极大地受益于高质量的预训练词汇嵌入。（3）一个好的词表应该涵盖更多在训练集和测试集中都能匹配到的实体。

    Jul, 2022

  • 基于 BERT 的辨别性语音识别重打分个性化

    研究三种新方法，使用个性化内容在神经重新评分步骤中提高识别率：地名词典，提示和基于交叉注意力的编码器 - 解码器模型。使用虚拟语音助手交互的内部去识别化的 en-US 数据和个性化的命名实体来比较这些方法，结果显示地名词典具有最优效果，词误率（WER）提高了 10％，同时在一般测试集上提高了 1％。

    Jul, 2023

  • 使用汉字对命名实体进行识别

    本篇论文提出一种运用中文字符字形并覆盖了一些语义信息的 CNN 模型进行命名实体识别，该模型取得了比使用传统特征的模型更好的成果，提升了命名实体识别的效率。

    Sep, 2019

  • SemEval-2022 任务 11 中的 USTC-NELSLIP 团队：适用于地名词表的多语言复杂命名实体识别整合网络

    提出了一种基于 Gazetteer 适应的整合网络 (GAIN) 的方法，用于提高语言模型识别复杂命名实体的性能，该方法应用于基于 Transformer 模型的命名实体识别模型，并利用来自 Wikidata 的 Gazetteer，取得了在 SemEval-2022 Task 11 的多语种命名实体识别比赛上的良好表现。

    Mar, 2022

  • 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

  • 资源规模的重要性：优化大型语料库提高神经命名实体识别能力

    该研究针对德语等低资源语言，通过优化和语法相关的形态处理来改进神经命名实体识别的性能，提高了 F1 分数高达 11％的水平，并在每个开放数据集上建立了一种新的最先进的基准线。

    Jul, 2018

  • 命名实体识别的神经网络结构

    本文介绍基于双向 LSTM 和条件随机场，以及基于转移的方法的两种新的神经网络模型，这些模型不依赖于领域特定的知识和语言。通过使用监督语料库和未标注语料库，字符表示和无监督的学习表示，这些模型在四种语言中实现了名词实体识别的最先进性能。

    Mar, 2016

  • 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

  • 仅基于词嵌入的命名实体识别

    本文提出了一种基于预训练词嵌入的全无监督命名实体识别模型，使用高斯隐马尔可夫模型和深度自编码高斯混合模型进行实体跨度检测和类型预测，并基于强化学习设计实例选择器，通过神经网络消除杂乱注释，实现了无需使用任何标注词典或语料库，表现出色。

    Aug, 2019