ACLApr, 2021

更好的命名实体识别特征集成

PDF
TL;DR本文提出了一种简单而强大的方法 —— Synergized-LSTM 来结合 linear sequences 和 dependency trees 两类特征以优化 named entity recognition 的效果；实验结果显示，相较于基于 LSTM 和 GCN 的模型，该方法在四种语言的多个标准数据集上均有更好的表现，同时需要更少的参数，并能够更好地捕获长距离依赖。
named entity recognitiondependency treessynergized-lstmperformance gainlonger dependencies
发现论文，激发创造
  • 基于依存的 LSTM-CRF 命名实体识别

    提出了一种简单而有效的依赖树导向的 LSTM-CRF 模型，以对命名实体识别（NER）任务中的完整依赖树进行编码并捕捉其相关属性，从而显著提高 NER 和实现领先水平，并发现依赖关系和依赖树提供的长距离交互是其主要原因。

    Sep, 2019

  • 高效的依赖引导命名实体识别

    该论文探讨了如何更好地利用依存树传达的结构化信息来提高实体识别的性能，新提出的基于依存树指导的实体识别模型在相对较短的运行时间内表现出与传统半 - Markov 条件随机场模型同等的竞争力。

    Oct, 2018

  • 命名实体识别的分层上下文表示

    本文提出了一种基于分层上下文表示的模型，通过句子级和文档级表示来提高实体识别模型中全局信息的利用，其中包括标签嵌入和注意机制以及键值内存网络，实验证明该模型在三个基准数据集上表现出优越的效果。

    Nov, 2019

  • 用于命名实体识别的图卷积网络

    本文研究了依赖树在使用一组 GCN 的命名实体识别器中的作用。我们对不同的 NER 架构进行比较，并表明一句话的语法对结果产生积极影响。在 OntoNotes 数据集上的实验表明，在不需要大量特征工程或额外的语言特定知识的情况下，可以实现一致的性能改进。

    Sep, 2017

  • 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

  • 使用 LSTM 对序列和树结构进行端到端的关系提取

    本研究提出了一种使用神经网络的模型，能够同时提取实体和它们之间的关系，并通过 LSTM-RNNs 进行优化，与现有的基于特征的模型相比，实现了较大的性能提升，并且在 nominal relation classification 方面与 CNN-based 的模型相比表现更好；还通过消融分析研究了多个模型组件和预处理对实验结果的影响。

    Jan, 2016

  • FLERT：用于命名实体识别的文档级特征

    本文针对不考虑跨句子边界信息的标准命名实体识别（NER）模型，通过利用 Transformer 模型进行文档级别特征抽取，提出了基于 Fine-tuning 和 LSTM-CRF 的文档级特征 NER 模型，并通过对上下文窗口大小和文档本地性等不同超参数的实验，得出如何建模文档上下文的结论，最后在多个 CoNLL-03 基准数据集上验证提出的方法取得了最新的最优结果。

    Nov, 2020

  • 利用句法信息的关键实体识别自适应集成提升

    通过注意力集成和提出的键值内存网络、语法注意力和门机制来利用不同类型的句法信息，提高了命名实体识别，并在六个英语和中文基准数据集上实验。

    Oct, 2020

  • 命名实体识别的神经重排

    本文提出了一种神经再排序系统，用于命名实体识别，利用递归神经网络模型来学习涉及命名实体提及的句子级模式，使用 LSTM 和 CNN 结构来学习这些句子的深层表示以进行再排序。实验结果表明，我们的系统可以显著提高命名实体识别准确率，超过了两个不同的基线，并在标准基准测试中报告了最好的结果。

    Jul, 2017

  • 树状长短期记忆网络改进语义表征

    介绍了 Tree-LSTM，一种适用于树状网络的 LSTM 结构，该系统表现优秀，可以应用于两个任务：预测两个句子的语义相关性和情感分类。

    Feb, 2015