Jan, 2022

利用全局语境嵌入提升针对性 Twitter 流中实体提及检测

PDF
TL;DR提出一种名为 EMD Globalizer 的框架，利用出现频率挖掘和上下文表示将微博文本中的实体提取出来，可以提高现有 EMD 系统的效果。
microbloggingentity mention detectionemd globalizeroccurrence miningentity extraction
发现论文，激发创造
  • 微博中新兴实体的早期发现

    本研究提出了一种基于时态远程监督的有效方法，以揭示刚被引入公众视野通过微博出现的真正的新兴实体，并以大规模 Twitter 存档的实验结果证明，该方法发现的前 500 个新兴实体的精度达到了 83.2％。

    Jul, 2019

  • 走向社交化信息提取：嵌入作者、提及和实体

    本文试图通过利用微博中的社交网络结构，将作者、提及和实体编码成一个连续向量空间，并将这些向量纳入神经结构预测模型中，以捕捉实体链接任务中固有的结构约束。与现有的最新技术相比，这些设计决策在基准数据集上的 F1 值提高了 1%-5%。

    Sep, 2016

  • Entity-aware ELMo：学习上下文实体表征以解决实体消歧

    本研究提出了一种新的本地实体消岐系统，依赖于一种名为 E-ELMo 的实体感知扩展 embedding 方法，能在指定的段落中，基于其它提及的实体，预测它们所指的具体实体，并在 AIDA test-b 评测中提高 0.5% 的微平均准确率，创造了业界先进的性能表现。

    Aug, 2019

  • 端到端的神经实体链接

    本文提出了第一个神经网络端到端实体链接系统，通过学习文本中所有可能识别结果的上下文相似性得分，实现了提及检测和实体歧义消解的联合（Entity Linking）算法，方法不需要其他工程特定特征，且在足够的训练数据情况下优于市场已有系统，在测试数据集与训练集不同（如问询 / 推文和新闻文档）时，我们的模型与传统命名实体识别系统耦合可提供最好或次优的 EL 准确性。

    Aug, 2018

  • 推文中的命名实体识别与链接分析

    本文讨论了对于不规则、嘈杂、依赖上下文及动态性的推文（一种微博形式），运用自然语言处理技术进行挖掘和智能信息访问的挑战，重点关注了从推文中提取实体并进行实体消歧的任务，介绍了一个新的 Twitter 实体消歧数据集，并对多个最先进的 Named Entity Recognition & Disambiguation 模型进行了实证分析。

    Oct, 2014

  • 微博中消失实体的早期发现

    通过微博的时序帖子，使用具有时间敏感性的远程监督来检测消失的实体，经实验验证使用收集的标记数据和改进的词嵌入的方法能够在嘈杂的环境中获得 70％以上的准确率并且能提前一个月以上发现消失的实体。

    Oct, 2022

  • 使用探测分类器的嵌入式命名实体识别

    直接将信息提取功能嵌入预训练的语言模型中，使用探测分类器进行语义信息的提取，提高了文本生成和信息提取的效率，同时无需微调语言模型，内存所需较少且生成速率较高。

    Mar, 2024

  • 利用多个嵌入进行中文命名实体识别

    本文提出了一种简单而有效的基于神经网络的框架 ME-CNER，用于通过多粒度的字符级表示来识别汉语微博中的命名实体。实验结果表明，该方法在 Weibo 数据集上取得了显著的性能提升。

    Aug, 2019

  • 短社交媒体文本中实体链接的强韧候选生成

    研究了 Tweet 领域中实体链接方法的挑战，提出了一种使用来自维基百科的长上下文表示的混合解决方案，经过实验评估和比较，取得了 0.93 的召回率。

    Oct, 2022

  • 使用词向量的半监督学习在 Twitter 上进行土耳其语命名实体识别

    本文基于神经网络的半监督学习方法，利用非监督学习获取的词向量及专门为微博文本设计的语言无关特征，成功生成一种识别土耳其微博文本中命名实体的系统，并在推特信息上表现出较好的 F-score 性能，相比之前提出的 NER 系统有所提升。该方法没有使用任何特定的语言特征，因此可以轻松地适用于其他形态丰富的语言的微博文本。

    Oct, 2018