本文介绍了在 BanglaCoNER 数据集上使用条件随机场（CRF）和微调变压器模型（如 BanglaBERT）的两种方法来解决 Bangla 复杂命名实体识别挑战的获胜解决方案。 深入探究了数据集，发现该数据集具有 7 个不同的 NER 标记，具有英语单词的明显存在，表明该数据集是合成的。同时，我们实验证明了基于深度学习的模型是自然语言处理中更有效的模型之一，特别是在 CNER 任务中。我们的 fine-tuned BanglaBERT（large）模型在验证集上实现 F1 Score 为 0.79。

Mar, 2023

本文介绍了我们参加 SemEval-2022 多语言复杂命名实体识别英文赛道的基于 Transformer 预训练模型的简单有效基准系统，取得了 72.50% 的 F1 得分，同时讨论了通过实体链接进行数据增强的方法。

Feb, 2022

本研究探索了孟加拉命名实体识别领域的现有研究状况，找出了当前技术和数据集所面临的限制，并提出通过使用新颖的 Gazetteer 和先进的自然语言处理工具来改善命名实体识别的性能。

Jan, 2024

该研究介绍了 SemEval-2023 Task 2 的发现，该任务主要聚焦于跨越 12 种语言的复杂名词实体的识别方法（如 WRITTENWORK，VEHICLE，MUSICALGRP），并研究了如何在单语和多语境以及噪声情况下实现。MultiCoNER 2 是 SemEval-2023 中最受欢迎的任务之一，从 47 个团队的 842 篇提交的论文中脱颖而出，并发现了媒体标题和产品名称是最具挑战性的实体类型，提出了将外部知识融入 transformer 模型中来实现最佳表现的方法，并注意到嘈杂的数据对模型性能有重要影响，对嘈杂数据中包含的复杂实体的 NER 鲁棒性的未来研究需要受到关注。

May, 2023

本文研究了英文语言的复杂 NER 任务，使用预训练语言模型如 BERT 取得竞争性成绩，并 qualitatively 分析了多种架构在此任务上的表现，最佳模型相比 baseline F1-score 提升了超过 9%。

Apr, 2022

本文介绍了我们在 SemEval 2022 Task 11：MultiCoNER Multilingual Complex Named Entity Recognition 中取得的成果，即：在多语言 NER 任务中，提供了一个统一的框架；在低资源代码混合 NER 任务中，采用了几种简单的数据增强方法；在中文任务中，提出了一种可以捕捉中文词汇语义、词汇边界和词汇图结构信息的模型。最后，我们的系统在子任务 11、12 和 9 的测试阶段分别获得了 77.66、84.35 和 74.00 的宏 F1 得分。

Apr, 2022

本文描述我们在 SemEval 2022 任务 11 中使用 Transformer 层自适应地整合多个预训练语言模型进行实体识别，在波斯语和荷兰语方面表现优异。

May, 2022

使用预训练的语言模型和整词遮罩技术，结合 CRF、BiLSTMs、线性分类器等多种神经网络架构， 在中文和西班牙语两种低资源语言的命名实体识别任务上超越基准，并在任务中表现最佳模型占据竞争性位置。

Jul, 2022

本文介绍了 Sabancı大学自然语言处理小组在 SemEval-2022 MultiCoNER 任务中提出的系统。我们开发了一种无监督的实体链接流水线，利用维基百科检测潜在的实体提及，并使用相应的维基百科上下文来帮助分类器找到该提及的命名实体类型。我们的结果表明，我们的流水线显著提高了性能，特别是在低上下文环境下的复杂实体。

Mar, 2022

本文研究了一种基于多语言 BERT 的单一命名实体识别模型，使用多任务学习和分块更新规则等正则化策略优化模型，并证明在多种语言数据集上表现优于专注于单一语言模型，并能够进行零样本预测。

Nov, 2019