ACLMay, 2022

NER-MQMRC: 将命名实体识别形式化为多问题机器阅读理解

PDF
TL;DR本研究提出了一种新颖的基于 BERT 的多问题机器阅读理解体系结构，将命名实体识别作为一个多问题 MRC 任务，旨在解决大规模电子商务属性（或实体）在高性能和优化训练和推理运行时从非结构化文本中提取的问题，该模型在三个 NER 数据集上获得了比 NER-SQMRC 框架模型更快的训练和推理时间，并且保持与单个问题 MRC（NER-SQMRC）性能相当。
named entity recognitionmachine reading comprehensionbert-based architecturemulti-question mrce-commerce attribute extraction
发现论文，激发创造
  • NER-to-MRC: 命名实体识别完全作为机器阅读理解解决方案

    利用机器阅读理解将命名实体识别作为一个解决问题，能够很好的解决大量额外数据收集和预训练的高成本挑战，展示了出色的性能提高并实现了最新的成果。

    May, 2023

  • 基于机器阅读理解的命名实体识别：一种多任务学习方法

    本文提出了一种多任务学习框架，将标签依赖关系融入基于机器阅读理解的命名实体识别，通过使用自注意力模块来捕捉标签之间的依赖关系，实现更好的性能。

    Sep, 2023

  • 命名实体识别统一的 MRC 框架

    本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

    Oct, 2019

  • MNER-QG：一种用于多模态命名实体识别的端到端机器阅读理解框架与查询引理

    本文提出了一种新颖的端到端框架 MNER-QG，该框架可以同时执行基于 MRC 的多模态命名实体识别和查询接地任务，并通过查询的帮助提供识别实体类型和视觉区域的先验知识，进一步增强了文本和图像的表征。在 Twitter2015 和 Twitter2017 上进行了广泛的实验，实验结果表明，MNER-QG 在 MNER 任务上优于当前最先进的模型，并提高了查询接地性能。

    Nov, 2022

  • 基于 MRC 的嵌套式医学 NER：共同预测与自适应预训练

    提出了基于机器阅读理解（MRC）的医学命名实体识别（NER）模型，利用任务自适应预训练策略提高模型在医学领域的能力，并引入多词对嵌入和多粒度膨胀卷积以增强模型的表示能力，同时采用 Biaffine 和 MLP 的组合预测器来提高模型的识别性能。实验评估表明，我们提出的模型在中文嵌套医学 NER 的基准测试 CMeEE 上优于目前的最优模型。

    Mar, 2024

  • 基于演示学习的机器阅读理解下的少样本生物医学实体识别

    通过将生物医学实体识别重新定义为机器阅读理解问题，提出了一种基于演示学习的方法来改进在少样本学习场景下的模型识别生物医学实体的能力。使用六个基准数据集进行评估，结果表明 MRC 语言模型在识别生物医学实体方面比序列标注方法更为高效，并且可以与依赖大量标注数据的全监督学习方法竞争成功，为少样本生物医学实体识别方法的未来发展提供了可能的方向。

    Aug, 2023

  • FinBERT-MRC：利用 BERT 在机器阅读理解范式下的金融命名实体识别

    通过对金融文本信息提取的困难进行分析，利用机器阅读理解方法，设计实现了一种新的模型 ——FinBERT-MRC，能更好的提取目标实体和信息。应用于华语和商业数据集，实验结果表明 FinBERT-MRC 模型相比 BiLSTM-CRF、BERT-Tagger、BERT-CRF 等序列标注模型中的 F1 值平均增加了 3.94% 至 0.89%。

    May, 2022

  • 多选阅读理解的多头注意力多任务学习

    本文利用多任务学习在两种多项选择阅读理解任务（RACE 和 DREAM）上实现了新的 DREAM 任务的最新性能，其中运用了基于 Transformer 的模型，通过在上下文和问题 - 答案之间添加额外的多头注意力层来 fine-tune 模型。

    Feb, 2020

  • 阅读理解模型对实体改名的鲁棒性分析

    研究机器阅读理解模型对实体更名的鲁棒性，并发现实体更名对于 MRC 模型的预测准确率有显著影响。通过使用各种不同的源数据自动替换实体名称，我们在五个数据集和三个预训练模型结构上验证了该问题，并发现 SpanBERT 模型在实体更名下具有更好的鲁棒性。此外，我们还尝试了不同的遮蔽策略，发现基于实体遮蔽的方法能够提高 MRC 模型的鲁棒性。

    Oct, 2021

  • MMM：多选阅读理解的多阶段多任务学习

    本研究提出了一种名为 MMM 的基于多阶段多任务学习框架的多选阅读理解方法，其中采用了一种名为多步注意力网络 (MAN) 的新型分类器。实验证明该方法在四个代表性 MCQA 数据集上显著提高了最新技术水平。

    Oct, 2019