EMNLPNov, 2022

SLATE：一种从自由书写内容中提取任务的序列标注方法

PDF
TL;DRSLATE 使用序列标注方法从自由文本中提取任务，可用于数字手写笔记。该方法可以同时执行句子分割和分类，并在任务 / 非任务句子之间进行划分。该方法相较于基线模型 (outperforms a baseline)，任务 F1 得分为 84.4％，句子分割得分（边界相似性）为 88.4％。此外，该研究提供了应对数字手写领域中进行自然语言处理的挑战的见解，并提供了代码和数据集。
slatesequence labelingdigitally handwritten notesnlptask extraction
发现论文，激发创造
  • SLATE: 一个专业人士专用的超轻量级标注工具

    本文介绍了一种基于终端的轻量级标注工具，支持不同尺度和类型的标注，具有易于定制的键绑定和 Unicode 支持，通过用户研究与其他工具相比使用安装均更为便捷，并已成功地应用于两个语料库的标注，填补了存在的需求空缺。

    Jul, 2019

  • 增强式自然语言用于生成式序列标记

    该研究提出了一种生成式框架，用于多个序列标记任务和句子级分类。与以往的判别式方法不同，该模型通过共享自然语言输出空间，自然地融合标签语义，并在任务之间共享知识。该框架具有通用性，可在 few-shot、低资源和高资源任务上表现良好，并在命名实体识别、槽位标记和意图分类等基准测试中展示了这些优势。

    Sep, 2020

  • 稀疏注意力神经网络联合训练的序列标记和分类

    提出一种利用 LSTM 网络同时学习句子级别分类任务和序列标注任务的模型，通过语义相关性对单词进行加权的稀疏注意力机制，该方法在 ATIS 和 TREC 数据集上表现优于基准模型。

    Sep, 2017

  • 序列标注：实用方法

    通过使用通用的基于 Bi-LSTM 的神经序列标注模型，其应用于广泛的自然语言处理任务和语言，结合从数据中提取的形态、语义和结构提示信息以进行有根据的预测，本研究在 8 个基准数据集上对其性能进行了评估，其结果在 4 个数据集上取得了最佳的表现。

    Aug, 2018

  • 利用任务感知的神经语言模型增强序列标注

    本研究提出了一种新颖的神经网络框架，将预先训练好的字级知识和字符感知神经语言模型相结合，利用转移学习技术实现不依赖于额外监督信号的序列标注任务，并在基准数据集上通过大量实验验证了其有效性和高效性。

    Sep, 2017

  • SLUE Phase-2: 一个不同语种口语理解任务的基准套件

    本研究基于自由可用的语音数据介绍了几种新的语音理解测试任务，包括问题回答、摘要、命名实体定位和对话行为分类，旨在补充现有基准测试并解决 SLU 评估领域的差距，为便于比较而发布了基准模型。

    Dec, 2022

  • 零样本序列标注：从句子向标记传递知识

    本论文通过构建基于软注意力机制的神经网络架构，分别在四个不同数据集上训练和测试，探究使用注意力或梯度可视化技术能否用于推断二元序列标记问题中的单词级标记，并得出结论：相比梯度 - based 方法，基于注意力的方法能够更准确地预测单词级标记。

    May, 2018

  • 基于半监督多任务学习的序列标注

    本文提出了一种序列标注框架，采用辅助训练目标，并通过学习预测数据集中每个词周围的单词进行语言建模，以此学习通用的语义和语法组合模式，并在不需要额外标注或未标注数据的情况下，实现在多个序列标注任务上取得一致的性能提升。

    Apr, 2017

  • SLUE: 自然语音口语理解评估新基准任务

    创建适用于口语理解评估的基准任务套件，其中包括命名实体识别、情感分析和语音识别，用于跟踪进展，评估预先训练的表示形式，研究管道与端到端方法的效用。

    Nov, 2021

  • 矢量化与光栅化：自监督学习用于草图和手写

    本研究提出了两种用于自我监督特征学习的跨模态翻译预训练任务：矢量化和光栅化，这两种方法可以同时为矢量和光栅基于手绘数据进行下游分析提供编码器模块，本文参考了双重表述的手写和素描数据。实证结果表明我们的方法优于现有的单模态和多模态自我监督方法。

    Mar, 2021