May, 2023

SemEval-2023 任务 2 中的 PAI: 具有外部实体信息的命名实体识别通用系统

PDF
TL;DR本文介绍了一个通用的命名实体识别系统，其利用来自于 Wikipedia 的知识库信息，将其与输入文本进行拼接并使用 Transformer 模型进行训练，用于解决多语言、低上下文、存在拼写错误或者错别字的情况下进行的 MultiCoNER II 任务，取得了 13 个赛道中 2 个第一名、4 个第二名、1 个第三名的成绩。
named entity recognitionmulticoner iilow-context situationsnoisy scenariostransformer-based models
发现论文，激发创造
  • Qtrade AI 在 SemEval-2022 任务 11 中：多语言命名实体识别任务的统一框架

    本文介绍了我们在 SemEval 2022 Task 11：MultiCoNER Multilingual Complex Named Entity Recognition 中取得的成果，即：在多语言 NER 任务中，提供了一个统一的框架；在低资源代码混合 NER 任务中，采用了几种简单的数据增强方法；在中文任务中，提出了一种可以捕捉中文词汇语义、词汇边界和词汇图结构信息的模型。最后，我们的系统在子任务 11、12 和 9 的测试阶段分别获得了 77.66、84.35 和 74.00 的宏 F1 得分。

    Apr, 2022

  • SemEval-2023 任务 2: 细粒度多语种命名实体识别（MultiCoNER 2）

    该研究介绍了 SemEval-2023 Task 2 的发现，该任务主要聚焦于跨越 12 种语言的复杂名词实体的识别方法（如 WRITTENWORK，VEHICLE，MUSICALGRP），并研究了如何在单语和多语境以及噪声情况下实现。MultiCoNER 2 是 SemEval-2023 中最受欢迎的任务之一，从 47 个团队的 842 篇提交的论文中脱颖而出，并发现了媒体标题和产品名称是最具挑战性的实体类型，提出了将外部知识融入 transformer 模型中来实现最佳表现的方法，并注意到嘈杂的数据对模型性能有重要影响，对嘈杂数据中包含的复杂实体的 NER 鲁棒性的未来研究需要受到关注。

    May, 2023

  • IXA/Cogcomp 参加 SemEval-2023 第 2 项任务：基于知识库的上下文增强的多语言命名实体识别

    本文介绍了一种新的命名实体识别级联方法，它由三个步骤组成：首先在输入句子中识别候选实体，然后将每个候选实体链接到现有的知识库中，最后预测每个实体候选的细粒度类别。实验证明，外部知识库在准确分类细粒度和新兴实体方面具有重要意义，并且我们的系统在 MultiCoNER2 共享任务中表现出强大的性能，即使在使用高资源语言的知识库情况下，也能在低资源语言环境中获得良好的表现。

    Apr, 2023

  • SU-NLP 在 SemEval-2022 任务 11 中的复杂命名实体识别与实体链接

    本文介绍了 Sabancı大学自然语言处理小组在 SemEval-2022 MultiCoNER 任务中提出的系统。我们开发了一种无监督的实体链接流水线，利用维基百科检测潜在的实体提及，并使用相应的维基百科上下文来帮助分类器找到该提及的命名实体类型。我们的结果表明，我们的流水线显著提高了性能，特别是在低上下文环境下的复杂实体。

    Mar, 2022

  • DAMO-NLP 在 SemEval-2022 任务 11 中的表现：一种基于知识的多语言命名实体识别系统

    本文介绍了 DAMO-NLP 提出的基于维基百科的多语言知识库，用于提供上下文信息以帮助在短文本和低上下文环境中的多义和复杂命名实体识别。通过将知识库中的相关上下文与输入句子进行匹配，我们的系统能够有效地检索相关上下文信息并将其用于输入句子的增强，从而更好地捕捉上下文信息表示。我们的系统在 MultiCoNER 共享任务中获得了 13 个中 10 个的胜利。

    Mar, 2022

  • 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

  • DAMO-NLP 在 SemEval-2023 任务 2 中：用于多语言命名实体识别的统一检索增强系统

    本文主要介绍了一个针对多语种细粒度命名实体识别的统一检索增强系统（U-RaNER），通过整合基于实体的 Wikidata 知识库来增强检索上下文的范围，探索各种搜索策略，提高检索知识的质量。研究团队 - DAMO-NLP 在 MultiCoNER2 共享任务中的表现优于 ChatGPT，证明了该系统的优越性。

    May, 2023

  • 使用大型预训练语言模型的低资源命名实体识别：SemEval-2022 任务 11 中的 SFE-AI

    本文描述我们在 SemEval 2022 任务 11 中使用 Transformer 层自适应地整合多个预训练语言模型进行实体识别，在波斯语和荷兰语方面表现优异。

    May, 2022

  • LMN 在 SemEval-2022 任务 11 中：基于 Transformer 的英文命名实体识别系统

    本文介绍了我们参加 SemEval-2022 多语言复杂命名实体识别英文赛道的基于 Transformer 预训练模型的简单有效基准系统，取得了 72.50% 的 F1 得分，同时讨论了通过实体链接进行数据增强的方法。

    Feb, 2022

  • kpfriends 参加 SemEval-2022 任务二：NEAMER - 命名实体增强的多词表达式识别器

    本文介绍了一个名为 NEAMER 的系统，它受到了命名实体和习语表达之间共享非合成特征的启发。作者应用了转移学习和局部特征以增强语言习惯性分类任务，并使用该系统提交到 SemEval 任务 2 中，后期评估阶段达到了 F1 0.9395 的最佳效果。除此之外，作者还对非组合知识传递、跨语言微调和局部特征做了实验，并在本文中介绍了这些实验结果。

    Apr, 2022