本研究探讨了在低资源条件下如何使用数据增强技术来提高命名实体识别任务的性能，并比较了简单的掩码语言模型替换和基于句法树变异的数据增强方法，以保持增强后句子的语言连贯性。

Aug, 2022

本研究针对基于标记序列的命名实体识别任务，设计并比较了数据增强技术的效果。通过在生物医学和材料科学领域的两个数据集（i2b2-2010 和 MaSciP）上进行实验，我们表明简单的增强技术可以提高循环模型和基于 Transformer 模型的性能，尤其是对于小训练集的情况。

Oct, 2020

本文提出了一种元学习方法，通过细调源语言模型，结合相似示例中所传达的结构和语义信息来增强目标语言的命名实体识别。在五种目标语言上的实验表明，该方法显著优于现有的最先进方法。

Nov, 2019

本研究提出了一种新颖的基于重新加权的主动学习策略，该策略可以为每个标记分配动态平滑的权重，以解决命名实体识别中数据不平衡和学习信号不足的挑战，并且在多个数据集上进行的实验结果表明，将此重新加权策略与已有的获取函数相结合可以显著提高性能，验证了其实际的有效性。

Nov, 2023

在本文中，我们提出了一种基于神经网络的命名实体识别方法，它能够同时考虑本地文本信息和通过对大规模语料库进行语义扩充所获得的信息，并且采用注意力机制和门控机制来编码和聚合这些信息，从而在三个从英文和中文社交媒体平台收集的基准数据集上展现出了明显的优越性。

Oct, 2020

本研究探索了数据增强技术对文字分类的影响，使用多种数据增强技术，包括过采样、易用数据增强、反向翻译、灰度缩放以及一种少样本学习的方法 PTE。结果表明，数据增强技术对模型性能只有轻微且不一致的改进，少数同义词替换可以提高模型性能，灰度缩放需要进一步研究，PTE 的表现优于监督学习，尤其是在类别容易分离的情况下。

Mar, 2023

使用 MELM 作为一种新的数据增强框架，通过显式条件化于标签来预测掩码实体标记，从而为低资源 NER 生成高质量的增强数据，并通过与混合代码结合进一步提高了 MELM 的有效性，在单语，跨语言和多语言 NER 方面均取得了实验结果的显著改进。

Aug, 2021

通过数据增强来提高命名实体识别的置信度校准和不确定性估计，在安全关键领域如医疗保健和金融中应用深度神经网络时实现准确的预测非常重要。本研究发现数据增强在跨领域和跨语言的环境中，尤其是在领域内环境中，可以改善命名实体识别的置信度校准和不确定性。此外，研究还表明，当通过数据增强生成的句子的困惑度较低时，命名实体识别的置信度校准更为有效，并且增加增强的规模可以进一步改善置信度校准和不确定性。

Jul, 2024

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

本文提出了一种基于文本的语音编辑模型的数据增强方法，以改善端到端自动语音识别模型在 code-switching 和命名实体识别方面的效果。实验结果表明，相对于音频拼接和神经 TTS 数据增强系统，本文提出的方法显著地提高了识别水平。

Jun, 2023