Jan, 2023

针对法语命名实体识别的对抗性适应

PDF
TL;DR本文介绍了一种基于 Transformer 和对抗适应的命名实体识别方法，可以利用同一领域或混合域的无标注语料库进行大规模的特征学习和消除过拟合，以解决法语和其他资源相对有限的语言中 NER 任务的问题。实验结果表明，该方法在各种组合的 Transformer 模型、源数据集和目标语料库方面均优于没有自适应的模型。同时，本文还表明，对大规模无标注语料库进行对抗性适应可以帮助减小在使用预训练于较小语料库上的 Transformer 模型时的性能下降。
named entity recognitionfrench languagetransformer-based approachadversarial adaptationunlabeled corpora
发现论文，激发创造
  • 基于 Transformer 的法语命名实体识别：通过对相似领域语料库的对抗性适应实现

    本研究提出一种基于 Transformer 和对抗适应的 NER 方法，用于针对资料较少的语言如法语中的实体识别问题。实验结果表明，该方法在三个标注数据集上的表现优于相应的未适应模型。

    Dec, 2022

  • 多语言 NER 对抗性输入的鲁棒性评估

    本文在多种语言中对命名实体识别 (Named Entity Recognition, NER) 进行了对抗性评估，并尝试使用对抗性数据集作为训练数据或微调数据以提高 NER 模型的性能。结果表明，这两种方法均可提高英语、德语和印地语的 NER 性能，但对于德语和印地语而言，重新训练的效果更好。

    May, 2023

  • 运用专家指导的对抗性扩充来提高命名实体识别的泛化能力

    使用专家引导的启发式方法构建了一个高质量的 CoNLL 2003 测试数据集，通过基于此集合的对抗性扰动来评估 NER 模型的泛化能力，并且通过使用混合数据训练技术来显著提高在挑战集上的性能以及提高了域外泛化能力。

    Mar, 2022

  • 用于跨领域命名实体识别的神经适应层

    本文研究神经网络结构在新闻信息提取任务上的应用，并针对不同领域应用的性能下降问题，提出一种轻量而有效的域适应方法，无需使用源域数据进行重新训练，在社交媒体等新兴领域中具有显著的应用价值。

    Oct, 2018

  • 基于词嵌入的在线媒体命名实体识别领域自适应

    本文提出了使用分布式词表示有效地将一个领域中学习的模型适应到其他领域的方法，并分析了不同领域之间的语言变异以识别可以提高性能的语言见解，提出了捕捉词汇用法的领域特定语义的方法，并演示了如何有效地使用此类领域特定知识来学习在领域适应设置中优于以前基准的 NER 模型。

    Dec, 2016

  • 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

  • 基于对抗学习的中文命名实体识别方法研究（来自众包标注数据）

    本文提出了一种采用敌对学习机制的方法，在使用众包进行中文命名实体识别的过程中，利用众包工人生成的嘈杂序列标签信息。通过使用公共 Bi-LSTM 和私人 Bi-LSTM 分别表示众包注释的共同特征和个性特征，我们已经构建了基于 LSTM-CRF 模型的中文命名实体标记器，并在两个领域创建数据集进行实验，实验结果表明，我们的系统性能优于强基线系统。

    Jan, 2018

  • 上下文感知对抗训练用于解决命名实体识别中的名称规律偏见

    本研究检测了命名实体识别（NER）模型在预测不确定实体类型时使用上下文信息的能力，设计了 NRB 测试集来诊断 NER 模型的名称规律偏差，并提出了一种新的模型无关训练方法来减轻这种偏差，该方法对改善 NER 模型性能有显著作用。

    Jul, 2021

  • 高度不平衡数据下适应性命名实体识别

    本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构，其中嵌入向量（Glove，BERT）的融合输入被用来增强模型的泛化能力，还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recognition 任务的性能。经实验证明，该方法显著提高了弱类的表现结果，并且只使用了非常少量的数据集。

    Mar, 2020

  • 通过检索非结构化知识进行自适应命名实体识别

    本文提出了一种自适应 NER 方法，利用未经充分学习的实体作为查询，从非结构化文本中检索外部知识，以提高模型的性能。通过实验验证，该模型在 CrossNER 数据集上表现优于强基准模型 2.35 个 F1 分数。

    Oct, 2022