AAAINov, 2022

PUnifiedNER: 一个基于提示的统一 NER 系统，适用于多样数据集

PDF
TL;DR本文提出了一种基于提示学习技术的统一命名实体识别系统 (PUnifiedNER)，该系统能够在不同领域同时识别高达 37 种实体类型，相比基于特定数据集的模型，能够显著提高预测性能并大大降低模型部署成本。同时，在某些数据集上，PUnifiedNER 的性能甚至可以达到甚至超越领域特定方法的最高水平。
发现论文，激发创造
  • PromptNER: 命名实体识别提示

    本文介绍了 PromptNER 算法，将大型语言模型与有限训练样本相结合，实现跨领域、少量样本下的命名实体识别任务，相对于传统方法，取得了十分显著的性能提升。

    May, 2023

  • ContrastNER: 基于对比的提示调整用于少样本 NER

    该论文提出了 ContrastNER，一个基于提示的命名实体识别框架，使用离散和连续的标记来学习对话。通过对比学习的方法，ContrastNER 在高资源设置中获得了与现有技术同样的性能，并在低资源环境中胜过现有模型。

    May, 2023

  • PromptNER: 命名实体识别的提示定位与分类

    本研究提出了将实体定位和实体类型识别整合到 prompt learning 中的双插槽多提示模板，可在平行预测插槽上提取所有实体，并设计了一种动态模板填充机制来分配插槽的标签。在各种设置下进行实验，我们的模型在交叉域 few-shot 设置中实现了显着的性能提高。

    May, 2023

  • 通用 NER：金标准多语言命名实体识别基准

    介绍了一个名为 Universal NER (UNER) 的开源项目，旨在开发多种语言的黄金标准 NER 基准；UNER 的目标是提供高质量的、跨语言一致的标注，以促进和标准化多语言 NER 研究。UNER v1 包含使用一致的跨语言模式在 12 种不同语言中注释的 18 个数据集。在本文中，我们详细介绍了 UNER 的数据集创建和组成，并提供了在本语言和跨语言学习设置下的初始建模基线。我们向公众发布了数据、代码和拟合模型。

    Nov, 2023

  • 通过 k 最近邻搜索的提示方法，用于少样本命名实体识别的 PromptNER

    本文提出了一种基于提示方法的 Few-shot Named Entity Recognition（NER）模型，使用实体类别信息构建标签原型，使模型只需使用支持集进行微调即可实现很好的迁移学习表现，实验证明其在 Few-NERD 和 CrossNER 数据集上的性能均优于其他先进方法。

    May, 2023

  • 跨数据集和语言学习开放式命名实体识别的通用实体分类

    通过构建一个通用的、包含 400 多种实体类型的数据集 B2NERD，并使用减少冗余的数据修剪策略，在开放领域命名实体识别方面，提高了大型语言模型的泛化性能，优于 GPT-4 和以往的方法。

    Jun, 2024

  • QaNER: 针对少样本命名实体识别的唤醒式问答模型

    本文提出了一种命名实体识别的新的基于 prompt 的学习方法 - QaNER，它使用了基于问答的方法来解决之前 prompt-based 方法所存在的限制，包括更高的计算复杂性、较差的 0-shot 能力、需要手动 prompt 工程，或缺乏 prompt 鲁棒性等问题。相比之前的方法，QaNER 具有更快的推理速度，对 prompt 质量不敏感，鲁棒性也更强，并且在低资源性能和 0-shot 能力方面表现显著优于之前的方法。

    Mar, 2022

  • 动态命名实体识别

    本研究介绍了一项新任务：Dynamic Named Entity Recognition（DNER），提供了一个框架，以更好地利用上下文来评估算法提取实体的能力。DNER 基于两个数据集，DNER-RotoWire 和 DNER-IMDb，我们评估了基线模型并提出了与此新任务相关的问题和研究方向的实验。

    Feb, 2023

  • InstructionNER: 一个多任务基于指令的生成框架，用于少样本 NER

    本文提出了一种基于多任务指令的生成式框架 InstructionNER，用于低资源的命名实体识别。实验结果表明，我们的方法在少样本任务中始终优于其他基线模型。

    Mar, 2022

  • NERetrieve: 下一代命名实体识别与检索数据集

    通过大规模语言模型，命名实体识别可以达到更精细化的实体类型识别、零样本识别和语句检索等目标，但这些目标仍然需要进一步研究和探索。

    Oct, 2023