ACLJun, 2021

SpanNER: 命名实体重新识别 / 识别作为跨度预测

PDF
TL;DR本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点，并提出了系统组合的方法来重新识别来自不同系统的命名实体，并在 11 个数据集上进行了 154 个系统的实验，证明了 span prediction 也可以作为基础 NER 系统和系统组合器，同时也将我们的模型部署到 ExplainaBoard 平台上。
发现论文，激发创造
  • 基于神经网络跨度的连续命名实体识别模型

    本论文提出了一种名为 SpanKL1 的简单而有效的基于 Span 的模型，采用知识蒸馏和多标签预测技术，旨在解决命名实体识别领域中实体类型不断增加的问题，并在 OntoNotes 和 Few-NERD 等数据集上进行实验，结果表明 SpanKL 显著优于先前的方法，并显示出高实用价值。

    Feb, 2023

  • Win-Win 合作：捆绑序列和跨度模型进行命名实体识别

    本研究通过绑定学习（BL）范例将序列标注和范围标注两种命名实体识别（NER）范例结合在一起，以解决此前不能同时利用两种范例优点的问题，并发现 BL 可显著提升 NER 模型的性能。

    Jul, 2022

  • 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

  • CLaC 参加 SemEval-2023 任务 2：比较基于区间预测和序列标注的命名实体识别方法

    综述了 Complex, fine-grained named entities 的识别问题，并比较了 Sequence Labeling 和 Span Prediction 两种 NER 方法。发现使用较大版本的 XLM-RoBERTa 可以显著提高性能。实验表明，在使用 XLM-RoBERTa 的特殊输入 tokens （<s> 和 </s>）时，Span Prediction 和 Sequence Labeling 方法可以进一步改善。

    May, 2023

  • 一种基于 Span 的模型用于联合识别重叠和不连续实体

    提出了一种新的基于 span 的模型，旨在准确地识别重叠和不连续的命名实体，并通过关系分类判断实体片段之间的关系。实验结果表明，这种模型在处理重叠和不连续的命名实体时具有很高的竞争力。

    Jun, 2021

  • 一种用于嵌套命名实体识别的序列到集合网络

    提出了一种用于嵌套命名实体识别的序列到集合神经网络，并利用二分匹配的损失函数计算整体训练损失，实验结果表明该模型在三个嵌套命名实体识别数据集上取得了最先进的结果。

    May, 2021

  • 从语言描述中学习：基于分解框架的低样本命名实体识别

    该研究提出了一个基于预训练语言模型的新型 NER 框架：SpanNER，在低资源环境下的 few-shot 学习、领域转移和 zero-shot 学习设置中，可以识别从未出现的实体类，通过实验可知其相比于最佳基准线平均能提高 10％，23％和 26％。

    Sep, 2021

  • 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

  • 应对 Few-shot 命名实体识别中的重复训练和样本依赖问题的研究

    我们的研究提出了一个改进的少样本命名实体识别流程，利用预训练的跨领域跳板标识检测器和大规模语言模型，有效减少了基本特征的重复训练，同时消除了对少样本的依赖，通过广泛的实验表明，在各种数据集上，我们的模型在细粒度少样本命名实体识别方面胜过基线模型，包括 ChatGPT。

    Jun, 2024

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021