Sep, 2022

DAMO-NLP 在 NLPCC-2022 任务 2 中的表现：基于知识增强的语音实体链接的鲁棒性命名实体识别

PDF
TL;DR该研究提出了一种基于知识增强的命名实体识别方法（KENER），该方法利用密集检索模块来识别候选实体，利用该实体的描述作为额外信息来帮助识别提及，并研究了多种数据抽样策略和设计了有效的损失函数。该系统在 NLPCC-2022 共享任务 2 的 Track 1 中获得第一名，在 Track 2 中获得第二名。
发现论文，激发创造
  • DAMO-NLP 在 SemEval-2022 任务 11 中的表现：一种基于知识的多语言命名实体识别系统

    本文介绍了 DAMO-NLP 提出的基于维基百科的多语言知识库，用于提供上下文信息以帮助在短文本和低上下文环境中的多义和复杂命名实体识别。通过将知识库中的相关上下文与输入句子进行匹配，我们的系统能够有效地检索相关上下文信息并将其用于输入句子的增强，从而更好地捕捉上下文信息表示。我们的系统在 MultiCoNER 共享任务中获得了 13 个中 10 个的胜利。

    Mar, 2022

  • 语音助手中噪声鲁棒命名实体识别

    本文提出了一个新的架构，通过联合重排序模块将 NER 和 EL 任务相结合，提高 NER 和 EL 的准确性，同时还可以提高其他自然语言理解任务（如域分类和语义解析）的准确性。

    May, 2020

  • IXA/Cogcomp 参加 SemEval-2023 第 2 项任务：基于知识库的上下文增强的多语言命名实体识别

    本文介绍了一种新的命名实体识别级联方法，它由三个步骤组成：首先在输入句子中识别候选实体，然后将每个候选实体链接到现有的知识库中，最后预测每个实体候选的细粒度类别。实验证明，外部知识库在准确分类细粒度和新兴实体方面具有重要意义，并且我们的系统在 MultiCoNER2 共享任务中表现出强大的性能，即使在使用高资源语言的知识库情况下，也能在低资源语言环境中获得良好的表现。

    Apr, 2023

  • 跨语言命名实体识别的增强迭代知识蒸馏

    本文描述了微软在交叉语种命名实体识别中的新实践方法，使用源语种的标注数据和目标语种的无标注数据，采用半监督学习和强化学习的方法来提取弱监督信号并实现了新的最先进性能优于现有的模型。

    Jun, 2021

  • SU-NLP 在 SemEval-2022 任务 11 中的复杂命名实体识别与实体链接

    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

  • 命名实体识别和实体链接的联合学习

    本文介绍了一种受 Stack-LSTM 启发的模型，利用命名实体识别和实体链接的相关性进行联合学习，从而在 NER 和 EL 两个任务中获得更强的性能，并取得了竞争性的最新成果。

    Jul, 2019

  • AKEM: 使用集成模型将知识库与查询对齐的实体识别和链接

    该研究论文提出了一种新方法来解决 NLPCC 2015 中的实体识别和链接挑战问题，通过扩展现有知识库并利用外部知识识别候选实体，提高了召回率，同时利用支持向量回归和多增加回归树作为评分函数来过滤结果，应用规则进一步优化结果并提高精确度，该方法计算效率高，F1 得分为 0.535。

    Sep, 2023

  • DAMO-NLP 在 SemEval-2023 任务 2 中：用于多语言命名实体识别的统一检索增强系统

    本文主要介绍了一个针对多语种细粒度命名实体识别的统一检索增强系统（U-RaNER），通过整合基于实体的 Wikidata 知识库来增强检索上下文的范围，探索各种搜索策略，提高检索知识的质量。研究团队 - DAMO-NLP 在 MultiCoNER2 共享任务中的表现优于 ChatGPT，证明了该系统的优越性。

    May, 2023

  • 联合语音翻译和命名实体识别

    本篇论文提出了多任务模型将直接语音翻译和命名实体识别相结合，并与传统串行方法进行了对比，在不降低翻译质量的情况下，在命名实体识别任务上显著提高了性能。

    Oct, 2022

  • 基于端到端的语音命名实体提取

    该研究通过一种端到端的神经架构，直接从语音中提取命名实体，并针对语音识别和命名实体识别进行联合优化，相较于传统的流水线方法，实现了更好的命名实体识别结果（测试数据的 F-measure=0.69）

    May, 2018