Feb, 2022

TURNER：面向中文命名实体识别的基于不确定性的检索框架

PDF
TL;DR本文提出了一个基于不确定性抽取辅助知识的中文命名实体识别框架 TURNER，该框架利用搜索引擎等通用知识资源代替特定领域的高质量词典，通过不确定性抽样方法选择难以判断的实体，再由知识融合模型对这些实体进行重新预测。实验表明，TURNER 在四个基准数据集上的表现优于现有的基于词典的方法，取得了新的最优成绩。
发现论文，激发创造
  • 通过搜索引擎增强提高中文命名实体识别

    本研究旨在提出一种基于外部知识语义增强的神经网络方法，通过多通道语义融合模型结合检索自搜索引擎的外部相关文本，对中文命名实体识别进行研究，实验证明该方法在正式和社交媒体语境下四个命名实体数据集中均取得了较好的效果。

    Oct, 2022

  • 古代汉语 CWS 和 POS 的基于不确定性的检索框架

    提出古代汉语词分割和词性标注框架，通过捕捉词性语义和引入外部知识重新预测基线模型的不确定样本，有效提升性能。

    Oct, 2023

  • 将不确定的分割信息融入社交媒体中文 NER

    本文提出一种针对中文社交媒体的命名实体识别模型 (UIcwsNN)，通过利用词语切分的不确定性信息，实现对实体的识别，其使用了候选位置嵌入、位置选择性注意和自适应词卷积的三合一编码方式来获取合适的词层次表达，并在社交媒体语料库上得到了显著的性能提高。

    Apr, 2020

  • 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

  • 使用汉字对命名实体进行识别

    本篇论文提出一种运用中文字符字形并覆盖了一些语义信息的 CNN 模型进行命名实体识别，该模型取得了比使用传统特征的模型更好的成果，提升了命名实体识别的效率。

    Sep, 2019

  • 利用句法信息的关键实体识别自适应集成提升

    通过注意力集成和提出的键值内存网络、语法注意力和门机制来利用不同类型的句法信息，提高了命名实体识别，并在六个英语和中文基准数据集上实验。

    Oct, 2020

  • 通过检索相关样本的方式进行领域特定的命名实体识别

    本篇文章提出了使用相关样本来增强命名实体识别模型的方法，并且使用基于 Transformer 的多实例交叉编码器来捕捉相关特征，实验结果表明该方法可以有效地识别特殊场景下的命名实体，例如中文地址和电子商务标题。

    Aug, 2022

  • CNN-LSTM-CRF 和词语分割联合训练实现的神经网络中文命名实体识别

    本文提出了一种神经方法来解决中文命名实体识别的挑战，该方法包括使用 CNN-LSTM-CRF 神经架构来捕捉 CNER 的本地和长距离上下文，引入统一框架来联合训练 CNER 和分词模型以增强 CNER 模型在识别实体边界方面的能力，以及使用自动方法从现有标记数据生成伪标记样本来扩充训练数据。实验结果表明，该方法特别适用于训练数据不足的情况下，可以有效提高中文命名实体识别的性能。

    Apr, 2019

  • 统一晶格图融合用于中文命名实体识别

    通过将词库整合到字符级序列中，我们提出了一种统一的格点图融合（ULGF）方法，用于中文命名实体识别。ULGF 可以明确捕捉字符 - 词语空间中细粒度语义单元之间的各种语义和边界关系，通过将格点结构转换为统一的图形来实现。我们堆叠多个基于图形的源内自我关注和源间交叉门控融合层，以迭代地进行语义交互以学习节点表示。为了减轻对词语信息的过度依赖，我们进一步提出了以词库实体分类作为辅助任务。在四个中文命名实体识别基准数据集上的实验证明了我们 ULGF 方法的优越性。

    Dec, 2023

  • CAN-NER：用于中文命名实体识别的卷积注意力网络

    本研究探讨了一种名为 Convolutional Attention Network (CAN) 的中文命名实体识别方法，该方法基于字符级卷积神经网络与门控循环神经网络，通过局部注意层和全局自注意层来捕获相邻字符和句子上下文的信息，并不依赖于外部词典等资源，使用小的字符嵌入，有效地提高了识别性能。该方法在微博、MSRA 和中文简历数据集等不同领域数据集上表现优于现有最先进方法，且不需要使用字嵌入和外部词典资源。

    Apr, 2019