ACLMay, 2023

CLaC 参加 SemEval-2023 任务 2：比较基于区间预测和序列标注的命名实体识别方法

PDF
TL;DR综述了 Complex, fine-grained named entities 的识别问题，并比较了 Sequence Labeling 和 Span Prediction 两种 NER 方法。发现使用较大版本的 XLM-RoBERTa 可以显著提高性能。实验表明，在使用 XLM-RoBERTa 的特殊输入 tokens （<s> 和 </s>）时，Span Prediction 和 Sequence Labeling 方法可以进一步改善。
named entity recognitionsequence labelingspan predictionxlm-roberta
发现论文，激发创造
  • 比较和结合一些流行的生物医学命名实体识别方法

    本研究比较了三种不同的命名实体识别方法 ——SEQ、SeqCRF 和 SpanPred—— 在四个生物医学 NER 任务上的表现，发现 SpanPred 模型和 SeqCRF 模型在 LivingNER 和 SocialDisNER 上具有最先进的性能。研究还通过学习的组合器系统显著提高了在 GENIA 数据集上的 F1 (+1.2) 和召回 (+2.1)。

    May, 2023

  • SpanNER: 命名实体重新识别 / 识别作为跨度预测

    本文研究了使用 span prediction 和 sequence labeling 框架进行命名实体识别的优缺点，并提出了系统组合的方法来重新识别来自不同系统的命名实体，并在 11 个数据集上进行了 154 个系统的实验，证明了 span prediction 也可以作为基础 NER 系统和系统组合器，同时也将我们的模型部署到 ExplainaBoard 平台上。

    Jun, 2021

  • 基于神经网络跨度的连续命名实体识别模型

    本论文提出了一种名为 SpanKL1 的简单而有效的基于 Span 的模型，采用知识蒸馏和多标签预测技术，旨在解决命名实体识别领域中实体类型不断增加的问题，并在 OntoNotes 和 Few-NERD 等数据集上进行实验，结果表明 SpanKL 显著优于先前的方法，并显示出高实用价值。

    Feb, 2023

  • 利用基于 BERT 的标记分类和跨度预测技术进行有毒跨度检测的 SemEval-2021 任务 5 的 NLRG

    该研究探讨了基于 BERT 的模型在 SemEval-2021 毒性跨度检测任务中的性能，研究了多种模型，包括 Token 分类或跨度预测，最佳模型达到 F1 得分 0.6753，在基线模型上提高了 3%。

    Feb, 2021

  • Win-Win 合作：捆绑序列和跨度模型进行命名实体识别

    本研究通过绑定学习（BL）范例将序列标注和范围标注两种命名实体识别（NER）范例结合在一起，以解决此前不能同时利用两种范例优点的问题，并发现 BL 可显著提升 NER 模型的性能。

    Jul, 2022

  • 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

  • 基于本地超图的嵌套命名实体识别：基于查询的序列标记

    提出了一种基于本地超图的方法识别嵌套命名实体，使用查询构造本地超图，通过序列标记模块实现嵌套结构内部信息的可利用性，综合四个数据集的表现表明，该方法优于之前的方法，并在 ACE 2004 数据集上实现了新的最佳表现。

    Apr, 2022

  • 基于跨度序列标注的低成本众包：工人选择与数据增强

    本研究提出了一种新的工人选择算法，利用组合多臂老虎机方法和数据增强方法来提高序列标注任务中的注释质量和降低成本，测试结果表明该算法的效率得到了显著提高。

    May, 2023

  • 利用多语言 Transformer 使用伪标签增强多语言和代码混合的复杂命名实体识别 —— 在 SemEval-2022 任务 11 中的 UM6P-CS 模型

    使用多语言 Transformer XLM-RoBERTa 的上下文化表示来处理多语言和混合编码查询的复杂 NER 任务，通过 CRF 的标记分类层和拾取来捕获命名实体范围和使用自我培训机制从大型未标记数据集生成弱标注数据。在 Multilingual Complex Named Entity Recognition 的共享任务中，我们的提出的系统在多语言和混合编码 MultiCoNER 的追踪中分别排名第 6 和第 8。

    Apr, 2022

  • 将多标签情感分类视为跨度预测的演员情感：SpanEmo

    提出了一种名为 SpanEmo 的新模型，将多标签情感分类视为跨度预测，并引入专注于对输入句子中多重共存情感进行建模的损失函数，实验证明了我们方法在提高模型性能和学习情感类别与句中单词之间有意义的关联方面的优势。

    Jan, 2021