Nov, 2022

从扁平监督中识别嵌套实体：一个新的命名实体识别子任务的可行性和挑战

PDF
TL;DR该研究提出了一种名为 nested-from-flat NER 的新子任务，利用基于跨度的模型培训数据并有意忽略在已注释实体内的嵌套跨度，从而获得能够识别嵌套实体的训练模型，结果在多个数据集上得到了良好的成绩。
named entity recognitionnested-from-flat nerspan-based modelstraining dataannotation inconsistencies
发现论文，激发创造
  • 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

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021

  • 定位与标记：用于嵌套命名实体识别的两阶段识别器

    该研究提出两阶段标识器以识别嵌套实体，其通过过滤种子跨度和边界回归生成跨度建议，并准确地标记跨度与相应类别。实验结果表明，该方法优于以往最先进的模型。

    May, 2021

  • Few-Shot 嵌套命名实体识别

    本文首次提出了针对 few-shot 嵌套 NER 任务的 Biaffine 对比学习框架 (BCL)，该框架利用上下文依赖来区分嵌套实体，将语义表示与上下文跨度表示相结合，并采用对比学习来调整表示分布，实现更大的边缘边界和更广泛的领域迁移学习能力。实验结果表明，在三个英语、德语、俄语嵌套 NER 数据集上，BCL 在 1-shot 和 5-shot 任务中的 F1 得分优于三个基本模型。

    Dec, 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

  • 实体识别作为依存句法分析

    本文基于图形依存解析思想，利用双仿射模型对输入进行全局视图，探索所有语句中的跨度，以准确预测命名实体，以 Nested NER 为例， 对 8 个语料库进行了评估并取得了所有语料库的 SOTA 性能，最高的准确度增益高达 2.2 个百分点。

    May, 2020

  • RuNNE-2022 共享任务：识别嵌套命名实体

    本研究报告基于俄语 NEREL 数据集在 RuNNE 共享任务中进行嵌套命名实体识别，该任务涉及 29 种实体类型，覆盖 6 级嵌套，共有 9 个团队提交了 156 个结果，结果表明大部分结果超过了 BERT 的基线表现。

    May, 2022

  • 作为潜在的词汇化组成句子分析的嵌套命名实体识别

    本文提出使用词性识别和命名实体识别相结合的方法，在 NER 中推广了语法结构树，并引入局部边际化算法来解决名字嵌套的问题。实验结果表明，使用本文提出的方法在 ACE2004，ACE2005 和 NNE 数据集上达到了现有最优效果，并在 GENIA 数据集上表现出色，并且具有快速的推理速度。

    Mar, 2022

  • 通过线性化的嵌套命名实体识别神经架构

    本研究提出了两种神经网络架构用于嵌套的命名实体识别（NER）。第一种通过标准 LSTM-CRF 架构中的笛卡尔积来建模多标签，第二种将嵌套的 NER 视为序列到序列的问题，并使用硬关注 (word whose label is being predicted) 来进行标签预测。此外，我们丰富了最近发布的上下文嵌入：ELMo，BERT 和 Flair，以进一步改进四个嵌套实体 Corpora 的结果，并报告了 CoNLL-2002 荷兰语和西班牙语以及 CoNLL-2003 英语的具有最新结果。

    Aug, 2019

  • 合并和标记：一种用于嵌套实体识别的新型神经网络结构

    我们介绍了一种基于神经网络架构的新型 NER 方法，可以对复杂语料中的嵌套结构准确地进行标注，与之前的方法不同，我们的方法采用预测实数形式的分段结构，从而能够在保持可微分性的同时，将单词和嵌套实体嵌入结合在一起。我们使用 ACE 2005 语料库对该方法进行评估，其 F1 得分为 74.6，使用上下文嵌入（BERT）可以进一步提高至 82.4，比同类数据训练上的其他方法提高近 8 F1 点。此外，我们将其与 BiLSTM-CRF 进行比较，并比较了它在简单情况下预测嵌套结构的能力对性能的影响。

    Jun, 2019