AAAIDec, 2020

基于部分观察 TreeCRFs 的嵌套命名实体识别

PDF
TL;DR本研究提出了基于部分可观测的树条件随机场（Partially-Observed-TreeCRFs）的嵌套命名实体识别方法，使用类似于组成句子解析的方法，将标注实体认定为具有观测值的树节点，而其他实体为潜在节点，并采用掩码算法来实现节点的不同推理操作，从而大幅度提高了训练和推理的效率，并在 ACE2004、ACE2005 和 GENIA 数据集上实现了最优的 F1 分数。
named entity recognitionnested structuresconstituency parsingtreecrfsobserved and latent nodes
发现论文，激发创造
  • 作为潜在的词汇化组成句子分析的嵌套命名实体识别

    本文提出使用词性识别和命名实体识别相结合的方法，在 NER 中推广了语法结构树，并引入局部边际化算法来解决名字嵌套的问题。实验结果表明，使用本文提出的方法在 ACE2004，ACE2005 和 NNE 数据集上达到了现有最优效果，并在 GENIA 数据集上表现出色，并且具有快速的推理速度。

    Mar, 2022

  • 基于整体结构分析的嵌套命名实体识别

    本文介绍了一种针对命名实体识别中嵌套实体的一种新方法 —— 全局结构分析和点互信息统计，提高了该方法的性能及领域适应能力。

    Apr, 2022

  • 计算上高效的命名实体识别标注器的受限解码

    通过对输出进行限制，可以训练出一个标注器，其与 CRF 相比可以实现两倍的交叉熵损失速度，差异在 F1 方面不具有统计学意义，从而有效消除了对 CRF 的需要。

    Oct, 2020

  • 命名实体识别统一的 MRC 框架

    本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

    Oct, 2019

  • 医疗文本中的嵌套命名实体识别：一种带有 CRF 注意力的自适应共享网络架构

    提出了一种名为 ASAC 的新型方法，用于解决处理嵌套现象时现有方法面临的挑战。方法采用深度学习技术、自适应共享模块和注意力条件随机场模块等关键模块，能够更好地识别不同类别实体之间的区别和关系。实验表明，该方法对于医学命名实体识别领域有着良好的效果。

    Nov, 2022

  • 生物医学实体识别的部分注释学习

    本文探讨了应用部分标注学习方法在缺失生物医学命名实体注释的场景中进行实体识别的有效性，并提出了一个新的 TS-PubMedBERT-Partial-CRF 模型来提高实体识别性能。实验结果表明，该模型在高缺失实体比例下的 F1-score 比使用全标注学习模型 PubMedBERT Tagger 高 38％，同时其实体识别的召回率也达到了与全标注学习数据集上的上界相竞争的水平。

    May, 2023

  • 一种令人尴尬的但对嵌套命名实体识别非常强的基准方法

    本文提出使用卷积神经网络来建模得分矩阵中的空间关系以解决嵌套的命名实体识别问题，实验证明相较于最近提出的同类方法，本文提出的方法更为优秀，并且发现不同的论文使用不同的句子标记化会对结果产生影响，因此提供一种易于使用的预处理脚本以便于日后比较。

    Aug, 2022

  • 定位与标记：用于嵌套命名实体识别的两阶段识别器

    该研究提出两阶段标识器以识别嵌套实体，其通过过滤种子跨度和边界回归生成跨度建议，并准确地标记跨度与相应类别。实验结果表明，该方法优于以往最先进的模型。

    May, 2021

  • 从扁平监督中识别嵌套实体：一个新的命名实体识别子任务的可行性和挑战

    该研究提出了一种名为 nested-from-flat NER 的新子任务，利用基于跨度的模型培训数据并有意忽略在已注释实体内的嵌套跨度，从而获得能够识别嵌套实体的训练模型，结果在多个数据集上得到了良好的成绩。

    Nov, 2022

  • Few-Shot 嵌套命名实体识别

    本文首次提出了针对 few-shot 嵌套 NER 任务的 Biaffine 对比学习框架 (BCL)，该框架利用上下文依赖来区分嵌套实体，将语义表示与上下文跨度表示相结合，并采用对比学习来调整表示分布，实现更大的边缘边界和更广泛的领域迁移学习能力。实验结果表明，在三个英语、德语、俄语嵌套 NER 数据集上，BCL 在 1-shot 和 5-shot 任务中的 F1 得分优于三个基本模型。

    Dec, 2022