ACLMay, 2020

语音助手中噪声鲁棒命名实体识别

PDF
TL;DR本文提出了一个新的架构，通过联合重排序模块将 NER 和 EL 任务相结合，提高 NER 和 EL 的准确性，同时还可以提高其他自然语言理解任务（如域分类和语义解析）的准确性。
named entity recognitionentity linkingvoice assistantnatural language understandingsemantic parsing
发现论文，激发创造
  • 命名实体识别和实体链接的联合学习

    本文介绍了一种受 Stack-LSTM 启发的模型，利用命名实体识别和实体链接的相关性进行联合学习，从而在 NER 和 EL 两个任务中获得更强的性能，并取得了竞争性的最新成果。

    Jul, 2019

  • 基于端到端的语音命名实体提取

    该研究通过一种端到端的神经架构，直接从语音中提取命名实体，并针对语音识别和命名实体识别进行联合优化，相较于传统的流水线方法，实现了更好的命名实体识别结果（测试数据的 F-measure=0.69）

    May, 2018

  • DAMO-NLP 在 NLPCC-2022 任务 2 中的表现：基于知识增强的语音实体链接的鲁棒性命名实体识别

    该研究提出了一种基于知识增强的命名实体识别方法（KENER），该方法利用密集检索模块来识别候选实体，利用该实体的描述作为额外信息来帮助识别提及，并研究了多种数据抽样策略和设计了有效的损失函数。该系统在 NLPCC-2022 共享任务 2 的 Track 1 中获得第一名，在 Track 2 中获得第二名。

    Sep, 2022

  • 一种适用于嘈杂商务电话对话文本的高效实体识别系统

    本研究提出了一种有效的方法，使用有噪声的商务电话对话转录本进行训练的命名实体识别 (NER) 模型，使用 LUKE 作为教师模型，使用大量弱标记数据和少量人工标注数据教授一个 smaller DistilBERT-based 学生模型，并在满足商业电话产品实际约束条件的情况下实现高准确性和即时性能

    Sep, 2022

  • 深度学习模型中命名实体识别的最近进展综述

    本文综述了深度神经网络在命名实体识别方面的应用，相对于传统的基于特征工程和监督或半监督学习算法的实体识别方法，神经网络在该领域中取得了更好的效果，并表明吸收过去的基于特征的 NER 系统的一些经验教训可以进一步提高性能。

    Oct, 2019

  • 英文语音端到端命名实体识别

    本文介绍了第一个公开的针对英语语音的命名实体识别 (NER) 数据集，并提出了一种端到端的方法，该方法同时优化 ASR 和 NER 标记器的组件。实验结果表明，所提出的端到端方法优于经典的两步方法，并讨论了如何使用语音的 NER 来处理 ASR 系统中的词汇外单词 (OOV)。

    May, 2020

  • GlobalNER：将非局部信息结合到命名实体识别中

    本研究使用基于深度神经网络的查询生成方法和基于 BERTScore 的提及感知的重新排序体系结构，以进一步提高命名实体识别的性能。最后，在 WNUT17 数据集上实现了 61.56 的微 F1 得分。

    Mar, 2023

  • 联合语音翻译和命名实体识别

    本篇论文提出了多任务模型将直接语音翻译和命名实体识别相结合，并与传统串行方法进行了对比，在不降低翻译质量的情况下，在命名实体识别任务上显著提高了性能。

    Oct, 2022

  • 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

  • 面向音乐推荐对话的命名实体识别研究

    这项人类主题研究的目标是学习如何在有挑战性的情况下，引导设计更好的评估方法和 NER 算法，比较 NER 在有许多不规则和新颖的命名实体的对话音乐推荐查询语料库上的人类和算法表现，并分析了不同类型实体的错误模式。

    Mar, 2023