ACLJun, 2021

一种基于 Span 的模型用于联合识别重叠和不连续实体

PDF
TL;DR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。
named entity recognitiondiscontinuousoverlappedspan-based modelrelation classification
发现论文，激发创造
  • 将跨度合并为实体：识别不连续实体的神经两阶段方法

    本文提出了一种神经网络模型来识别医学文档中具有不连续序列和重叠结构的实体，通过将这个问题分解成两个子任务：检测所有重叠跨度，并将这些跨度组合成不连续的实体。使用两个神经组件学习这些子任务的过程，并能够在标准数据集上实现最先进的性能。

    Sep, 2019

  • 一种有效的基于转移的不连续命名实体识别模型

    提出了一种基于转换和使用通用神经编码的简单有效的模型，能够识别医学命名实体识别中存在的连续和不连续的提及，同时在三个生物医学数据集上实验表明，该模型能够有效识别不连续提及，不会牺牲连续提及的准确性。

    Apr, 2020

  • 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

  • 作为最大团探测的间断命名实体识别

    本文提出了一种基于 Mac 模型的分段图算法，用于解决实体识别中异构实体的问题。该算法可将异构实体视作图中的节点，通过识别图中的最大团并连接团内的连续实体段，实现对异构实体的非参数化处理，在三个基准数据集上的结果证明该方法领先于目前的最优算法，并且速度提高了 5 倍。

    Jun, 2021

  • SpanNER: 命名实体重新识别 / 识别作为跨度预测

    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。

    Jun, 2021

  • 作为词 - 词关系分类的统一命名实体识别

    利用 W^2NER 架构和 2D 卷积等方法，将命名实体识别 (NER) 统一为一个二维网格，通过分类识别实体词之间的关系，取得在 14 个基准数据集上显著的改进。

    Dec, 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

  • 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

  • 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

  • 学习识别不连续实体

    该研究聚焦于识别不连续实体，通过使用新的超图表示方法来编码不连续且重叠的实体，形成一个独特的模型。研究结果表明，该模型在处理大量不连续实体的数据时显示出较强的优势。

    Oct, 2018