ACLJun, 2023

CoSiNES：用于实体标准化的对比孪生网络

PDF
TL;DR使用预训练语言模型及对比 Siamese 网络构建的通用化实体标准化框架 CoSiNES，在技术、化学、医药和生物医学领域的四个标准数据集中取得了竞争性的表现，并在技术领域新数据集中展示了高准确度和快速运行时间。
entity standardizationcosinescontrastive siamese networkpretrained language modelcross-domain applicability
发现论文，激发创造
  • NSEEN：面向实体归一化的神经语义嵌入

    本研究基于深度单妻神经网络模型，将实体及其语法变化的语义信息嵌入到嵌入向量中，以实现对大型参考集的新实体实现快速映射，并在挑战性的生物实体规范化数据集中证明了框架的有效性。

    Nov, 2018

  • CoSe-Co: 文本条件生成通用常识上下文

    提出了一种基于符号知识图谱的预训练语言模型生成任务相关信息的 CommonSense Contextualizer (CoSe-Co) 模型，该模型结合句子作为输入文本的上下文信息，以构建一种新的数据集用于训练 CoSe-Co 模型，并在多项选择 QA 以及常识推理任务中展现出显著提高的性能

    Jun, 2022

  • GateNLP-UShef 参加 SemEval-2022 任务 8：用实体增强的 Siamese Transformer 进行多语言新闻文章相似性计算

    本文描述了 SemEval-2022 任务 8 排行榜上排名第二的系统。我们提出了一种基于实体增强的连体 Transformer，根据新闻文章中讨论的事件的共享叙述、实体、位置和时间等不同子维度计算新闻文章相似性。

    May, 2022

  • 通过 3D 暹罗网络改进文本语义相似性建模

    我们提出了一种新颖的 3D 孪生网络模型，用于文本语义相似性建模，通过将语义信息映射到高维空间，保留了更精确的空间和特征领域信息，并为综合下游建模策略提供了必要的结构条件。通过引入多个模块来增强这一 3D 框架，包括特征提取、注意力和特征融合，在四个文本语义相似性基准上的广泛实验证明了我们 3D 孪生网络的有效性和效率。

    Jul, 2023

  • SimCSE: 简单的对比学习句子嵌入

    本文介绍了一种简单的对比学习框架 SimCSE，通过无监督和监督学习两种方法，显著提高了句子嵌入的性能，适用于语义文本相似性任务。

    Apr, 2021

  • 利用卷积神经网络捕获实体链接的语义相似性

    使用卷积神经网络对实体链接中的上下文信息进行建模，以获取语义对应关系，结合稀疏线性模型，实现了多种实体链接数据集的最佳结果。

    Apr, 2016

  • MultiCoNER：一个用于复杂命名实体识别的大型多语言数据集

    介绍了一种名为 MultiCoNER 的大型多语言数据集，可支持 11 种语言和 3 个领域的命名实体识别。使用两个 NER 模型对数据集进行了测试，并对其进行了评估。建立的模型都表现出了不俗的性能，但加入 Gazetteers 后性能提高了 30%。希望这个数据集能够帮助研究人员建立更为健壮的命名实体识别系统。

    Aug, 2022

  • EASE: 实体感知的对比学习句子嵌入

    EASE 是一种基于对句子及其相关实体进行对比学习的句子嵌入方法，其利用实体语义作为丰富的训练信号，并提供了跨语言对齐的监督。在单语和多语境下，EASE 表现出竞争力或更好的性能，并在多项任务中明显优于基线方法。

    May, 2022

  • ArcSin: 自适应范围余弦相似性注入噪声以支持以语言为驱动的视觉任务

    通过应用论文中提出的新方法 - ArcSin，实现了在学习语言和推理与视觉任务之间进行模态转换，提高了视觉问题回答，图像字幕生成和视觉蕴含的性能。

    Feb, 2024

  • 从零开始对句子嵌入进行对比学习

    本研究提出了 SynCSE，通过利用大型语言模型合成数据样本，训练具有良好性能的句子嵌入，对比试验结果显示 SynCSE 在无监督基准模型的基础上具有更好的性能。

    May, 2023