AAAIDec, 2020

CrossNER: 跨领域命名实体识别的评估

PDF
TL;DR为了解决交叉域命名实体识别 (NER) 任务中样本少的问题，作者提出了一个跨领域 NER 数据集 CrossNER, 进行了一系列实验来探索利用不同级别的领域语料库和预训练策略进行域自适应预训练的有效性，研究表明利用包含领域特定实体的分数语料库并采用更具挑战性的预训练策略对于 NER 的域自适应有益，提出的方法在跨领域 NER 基线上效果更好。
cross-domain named entity recognitionner benchmarkscrossner datasetdomain-adaptive pre-trainingpre-training strategies
发现论文，激发创造
  • FactMix: 使用少量领域内标注样本泛化到跨领域命名实体识别

    本文提出了一种基于理性的两步数据增强方法来提高模型的泛化性能，用于跨域 NER 任务，结果表明我们的模型无论是在数据增强还是提示调整方法中都显著提高了交叉域 NER 任务的性能。

    Aug, 2022

  • 为所有领域设计的一种模型：协作式领域前缀调整用于跨领域命名实体识别

    本文提出一种基于文本生成模型的协作域前缀调整方法，用于跨领域命名实体识别任务，实现知识在不同领域之间的迁移，提高模型对多源领域的处理能力。实验结果表明，该方法灵活、可靠，优于当前主流的同类方法。

    Jan, 2023

  • 跨领域命名实体识别的数据增强

    通过学习不同领域间的文本模式和数据特征，并为高资源领域提供低资源领域数据增强，我们提出了一种新的神经架构，可以大幅提高命名实体识别任务性能。

    Sep, 2021

  • 零资源跨领域命名实体识别

    本文提出了一种跨领域命名实体识别模型，使用多任务学习和实体专家混合方法，实现了零资源领域自适应，性能优于其他无监督跨域序列标注模型。

    Feb, 2020

  • 基于词嵌入的在线媒体命名实体识别领域自适应

    本文提出了使用分布式词表示有效地将一个领域中学习的模型适应到其他领域的方法，并分析了不同领域之间的语言变异以识别可以提高性能的语言见解，提出了捕捉词汇用法的领域特定语义的方法，并演示了如何有效地使用此类领域特定知识来学习在领域适应设置中优于以前基准的 NER 模型。

    Dec, 2016

  • 跨数据集和语言学习开放式命名实体识别的通用实体分类

    通过构建一个通用的、包含 400 多种实体类型的数据集 B2NERD，并使用减少冗余的数据修剪策略，在开放领域命名实体识别方面，提高了大型语言模型的泛化性能，优于 GPT-4 和以往的方法。

    Jun, 2024

  • 用于跨领域命名实体识别的神经适应层

    本文研究神经网络结构在新闻信息提取任务上的应用，并针对不同领域应用的性能下降问题，提出一种轻量而有效的域适应方法，无需使用源域数据进行重新训练，在社交媒体等新兴领域中具有显著的应用价值。

    Oct, 2018

  • 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

  • DaN+：丹麦嵌套命名实体和词汇规范化

    介绍了 DaN+，一个新的、支持跨语种跨领域学习的丹麦嵌套命名实体（NEs）和词汇归一化的多领域语料库和标注指南。评估了三种策略来建模双层命名实体识别任务，证实多任务学习是最坚实的策略，并且在最规范的数据中，使用本语言 BERT 和词汇归一化是最有利的。

    May, 2021

  • 通过检索相关样本的方式进行领域特定的命名实体识别

    本篇文章提出了使用相关样本来增强命名实体识别模型的方法，并且使用基于 Transformer 的多实例交叉编码器来捕捉相关特征，实验结果表明该方法可以有效地识别特殊场景下的命名实体，例如中文地址和电子商务标题。

    Aug, 2022