ACLApr, 2022

深入研究规律：用于中文命名实体识别的简单而有效的方法

PDF
TL;DR本文提出了一种名为 RICON 的新方法，通过正则性感知模块和正则性不可知模块探讨了汉语命名实体识别中实体跨度的规则性问题，并且实验结果表明该方法在四个数据集上均有显著的优越性。
chinese named entity recognitionentity spans regularityriconregularity-aware moduleregularity-agnostic module
发现论文，激发创造
  • 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

  • 面向中文文献文本的实体关系分类的结构正则化神经网络

    本文提出了一个用于中文文学文本的关系分类任务并构建了一个新的数据集，通过 SR-BRCNN 模型基于结构规则的依存树上提取的最短依赖路径来识别实体之间的关系，实验结果表明该方法 F1 得分提高了 10.3，且在中文文学文本上优于当前的最先进方法。

    Mar, 2018

  • 中文命名实体识别中词典使用的简化

    本研究提出一种可将词汇词典简单地并入字表示的方法，以提高中国命名实体识别的性能，且速度比现有最先进的方法快 6.15 倍，同时具有更好的性能与可与预训练模型集成的能力。

    Aug, 2019

  • 命名实体识别的严格研究：微调预训练模型可否引领应用？

    本文研究在 fine-tuning 预训练模型的情况下，在命名实体识别任务中如何面对开放环境中可能面临的挑战，作者进行了随机测试和实证实验，结果表明，命名规则对于模型推广到未见过的提及至关重要，高覆盖率可能削弱模型的推广能力，而上下文模式则不需要使用大量数据来捕捉。

    Apr, 2020

  • 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

  • ConNER: 跨语言命名实体识别的一致性训练

    通过提出 ConNER 一种新型一致性训练方法，习得一个对扰动和数据具有鲁棒性的模型，该方法通过对标注和未标注数据的翻译和丢失操作的表现进行一致性训练，提高了跨语言自适应性能，并在各种基线方法上取得了一致的改进效果。

    Nov, 2022

  • 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

  • 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

  • 上下文感知对抗训练用于解决命名实体识别中的名称规律偏见

    本研究检测了命名实体识别（NER）模型在预测不确定实体类型时使用上下文信息的能力，设计了 NRB 测试集来诊断 NER 模型的名称规律偏差，并提出了一种新的模型无关训练方法来减轻这种偏差，该方法对改善 NER 模型性能有显著作用。

    Jul, 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