ICLRSep, 2021

AutoTriggER: 带辅助触发词提取的命名实体识别

PDF
TL;DR本文提出了一个新的两阶段框架（AutoTriggER），通过自动生成和利用文本中的 “实体触发器” 来改善命名实体识别的性能，从而能够创建并利用辅助监督。在三个公认的命名实体识别数据集上的实验表明，我们自动提取的触发器与人工触发器非常匹配，AutoTriggER 在平均 0.5 F1 点低的资源设置上比 RoBERTa-CRF 架构有更优的性能表现。
deep neural modelslow-resourcenamed entity recognitionautotriggerentity triggers
发现论文，激发创造
  • TriggerNER：使用实体触发器作为命名实体识别的解释的学习

    本文提出一种名为 'entity triggers' 的新方法，通过众包收集注释以减少训练命名实体识别器所需的标注数量，使用自我注意力机制进行软匹配和泛化，提高成本效益，相比传统的神经 NER 框架，只使用注释的 20% 即可获得与 70% 传统标注相当的性能。

    Apr, 2020

  • Trigger-GNN: 基于 trigger 的图神经网络用于嵌套命名实体识别

    本研究提出了一种基于触发器的图神经网络（Trigger-GNN），通过实体触发编码和语义匹配获取补充注释嵌入，并利用高效的图传递体系结构解决嵌套实体问题。实验表明，Trigger-GNN 在四个公共 NER 数据集上始终优于基线，并能有效缓解嵌套 NER。

    Apr, 2022

  • 使用领域专用字典学习命名实体标注器

    本文研究使用深度神经模型实现对命名实体的识别，提出了两种神经模型，分别是模糊 CRF 层和 AutoNER 模型，并探讨了如何优化糟糕的监督数据来源以提高 NER 的准确率。实验结果表明，仅使用词典而无需人工操作的 AutoNER 表现最佳，并与最先进的监督基准具有竞争力。

    Sep, 2018

  • 通过检索非结构化知识进行自适应命名实体识别

    本文提出了一种自适应 NER 方法，利用未经充分学习的实体作为查询，从非结构化文本中检索外部知识，以提高模型的性能。通过实验验证，该模型在 CrossNER 数据集上表现优于强基准模型 2.35 个 F1 分数。

    Oct, 2022

  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021

  • 命名实体识别的深度学习调查

    本文基于三个维度的分类法，系统地回顾了深度学习在命名实体识别上的应用技术，并介绍了面临的挑战和未来的研究方向。

    Dec, 2018

  • DistALANER：在开源软件生态系统中增强的基于远程监督的主动学习命名实体识别

    本文提出了一种新的命名实体识别（NER）技术，专门针对开源软件系统。我们的方法通过使用全面的两步远程监督注释过程来解决注释软件数据的稀缺性问题。该方法战略性地利用语言启发式方法、唯一的查找表、外部知识源和主动学习方法。通过利用这些强大的技术，我们不仅提高了模型的性能，还有效地克服了成本和专家注释者的稀缺性方面的局限性。值得注意的是，我们的框架在很大程度上超越了现有技术的领先水平。我们还展示了 NER 在下游关系抽取任务中的有效性。

    Feb, 2024

  • 深度学习模型中命名实体识别的最近进展综述

    本文综述了深度神经网络在命名实体识别方面的应用，相对于传统的基于特征工程和监督或半监督学习算法的实体识别方法，神经网络在该领域中取得了更好的效果，并表明吸收过去的基于特征的 NER 系统的一些经验教训可以进一步提高性能。

    Oct, 2019

  • 具有噪声鲁棒性和语言模型增强的远程监督命名实体识别

    本文研究如何通过使用自动化匹配原始文本中实体提及与知识库中实体类型来获得的远距离标注数据来训练命名实体识别（NER）模型，提出了一种噪声鲁棒的学习方案和自训练方法，通过预训练语言模型创建的上下文增量来改善 NER 模型的泛化能力，在三个基准数据集上，我们的方法均获得了优越的性能，显著优于现有的远程监督 NER 模型。

    Sep, 2021

  • 少样本命名实体识别：综合研究

    本文提出了一种有效地建立识别命名实体（NER）系统的方法，基于最近的基于转换器的自我监督预训练语言模型（PLMs），并探讨了三种正交的方案来改进针对少样例情况的模型泛化能力，通过大量实验结果表明，我们的方法在少数样例学习环境中显著改善或优于基于域标记微调的 PLM 线性分类器等基线方法，同时在无训练和少样例学习环境下建立了最新的业界记录。

    Dec, 2020