Jun, 2021

基于 BART 的模板化命名实体识别

PDF
TL;DR该论文提出了一种基于模板的方法，将 NER 视为一种序列到序列的语言模型排序问题，在推理过程中，模型需要根据相应的模板分数对每个候选实体进行分类，实验结果表明，该方法在 CoNLL03 数据集上取得了 92.55% 的 F1 得分，在 MIT Movie、MIT Restaurant 和 ATIS 数据集上也分别比 BERT 微调方法显着提高了 10.88%、15.34% 和 11.73% 的 F1 得分。
发现论文，激发创造
  • 无需模板的少样本命名实体识别指令微调

    本文提出了一种更优雅的方法，将 NER 任务重新制定为 LM 问题，同时探索了自动搜索合适的标签词的方法，该方法避免了复杂的基于模板的过程，并且实验证明其在少量样本情况下表现更佳，并且解码速度比基于模板的方法快了 1930.12 倍。

    Sep, 2021

  • 基于提示的度量学习用于小样本命名实体识别

    本研究提出了一种使用多重提示架构和度量学习方法来解决 few-shot named entity recognition 中标注语义缺陷的问题，并在 18 个场景中实现了新的最先进结果，平均相对增益为 8.84％，最大相对增益为 34.51％。

    Nov, 2022

  • 优秀的示范使学习更快：针对低资源 NER 的简单基于演示的学习

    本文提出了一种演示为基础的命名实体识别学习方法，研究了演示策略对模型在低资源情况下性能的影响，并在领域内学习和领域适应中证明了良好的演示可以节省很多标记示例并促进更好的性能表现。

    Oct, 2021

  • TOKEN 是 MASK：预训练语言模型下的少样本命名实体识别

    本文提出了一种利用预训练语言模型进行跨领域适应的轻量级的 few-shot 近似算法，将知识从一个领域转移到另一个领域以优化实体识别性能。实验结果表明，与最先进的基线相比，本方法可以提高 2-5% 的 F1-score。

    Jun, 2022

  • 基于示例的命名实体识别

    我们提出了一种新的名词实体识别方法，称为基于示例的实体识别，在缺乏数据的情况下通过受到问答启发，使用少量支持示例来识别新领域中的实体范围，与当前最先进的方法相比，该方法表现出更好的性能，特别是在使用少量支持示例时。

    Aug, 2020

  • NER-BERT: 一个用于低资源实体标注的预训练模型

    本文介绍了一种基于大规模语言模型的命名实体识别预训练方法，通过构建大型高质量命名实体语料库，最终得到的 NER-BERT 模型在九个不同领域的低资源场景下明显优于其他模型。

    Dec, 2021

  • 零资源跨语言命名实体识别

    本文提出一种基于词级对抗训练、参数共享和特征增强的无监督跨语言命名实体识别模型，可在不依靠双语词典或平行数据的情况下，将命名实体知识从一种语言转移到另一种语言。通过对五种不同语言的实验表明，该模型的有效性优于现有模型，并为每个语言对设置了新的 SOTA。

    Nov, 2019

  • 使用 BERT 的波斯语命名实体识别模型 Beheshti-NER

    本文使用预训练的深度双向网络 Google BERT，建立了一个用于波斯语命名实体识别的模型，并在 CONLL 2003 评测任务中获得了较高的成绩。

    Mar, 2020

  • 科学命名实体识别的分层 Transformer 模型

    使用 BERT 和 transformer 层的简单和有效的 Named Entity Recognition 方法在计算机科学和生物医学领域的三个基准数据集上优于当前最先进技术，无需外部资源或特定数据增强。

    Mar, 2022

  • 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