Oct, 2023

S2F-NER：探索用于复杂实体识别的序列生成森林

PDF
TL;DR通过提出一种名为 S2F-NER 的新的 Sequence-to-Forest 生成模型，我们的研究论文在处理复杂的、嵌套的、重叠的实体时显著提高了准确性，比传统的 Seq2Seq 和基于跨度的分类方法更适应于长文本数据集，并且能有效解决曝光偏差问题。
named entity recognitionsequence-to-sequencespan-based classificationsequence-to-forest generationexposure bias
发现论文，激发创造
  • 一种用于嵌套命名实体识别的序列到集合网络

    提出了一种用于嵌套命名实体识别的序列到集合神经网络，并利用二分匹配的损失函数计算整体训练损失，实验结果表明该模型在三个嵌套命名实体识别数据集上取得了最先进的结果。

    May, 2021

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021

  • 通过次优序列学习和解码实现的嵌套命名实体识别

    本文提出了一种新的方法来识别包含嵌套实体的实体名，该方法使用具有嵌套实体标签序列的神经模型设计客观函数进行训练，并提供了推断的解码方法，该方法无需额外的超参数，实验表明与现有的处理嵌套实体的方法相比，该方法表现更好，达到了 ACE-2004、ACE-2005 和 GENIA 数据集的 F1 分数分别为 85.82%、84.34% 和 77.36%。

    Sep, 2019

  • 科学命名实体识别的分层 Transformer 模型

    使用 BERT 和 transformer 层的简单和有效的 Named Entity Recognition 方法在计算机科学和生物医学领域的三个基准数据集上优于当前最先进技术，无需外部资源或特定数据增强。

    Mar, 2022

  • 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

  • 具有关系关注和类型关注的多任务 Transformer 用于命名实体识别

    本文提出一种多任务 Transformer 模型，该模型将实体边界检测任务整合到命名实体识别任务中，通过关系分类来实现实体边界检测，并采用外部知识库和自注意力及交叉注意力机制来提高解码时实体类型映射的准确性。在多个实验数据集上的实验结果表明，该方法显著提高了生成型 NER 模型的性能。

    Mar, 2023

  • 多粒度命名实体识别

    本文提出了一种新的多粒度命名实体识别框架，MGNER，用于检测句子中多个实体或实体提及，这些实体或实体提及可以是不重叠或完全嵌套的。该框架通过检测所有可能的单词片段和分类实体来识别命名实体，其中利用了上下文信息和自我注意机制，实验结果表明，MGNER 在非重叠 / 嵌套 NER 任务中比现有的最先进基线算法表现提高了 4.4% 的 F1 分数。

    Jun, 2019

  • 基于图递归神经网络和动态反馈森林算法的关系三元组提取

    从文本中提取关系三元组（主语、谓语、宾语）可以将非结构化文本数据转换为结构化知识。本文提出了一种将三元组提取任务转换为图标签问题的新方法，利用依存解析和图递归神经网络（GRNNs）的结构信息。为了集成子任务，本文提出了一种动态反馈森林算法，通过推理操作在模型训练过程中连接子任务的表示。实验结果证明了该方法的有效性。

    Aug, 2023

  • 用于长序列对齐约束下的嵌套命名实体识别的 RNN 传递器

    提出一种新的序列到序列模型 -- 一个 RNN transducer (RNN-T) 来解决名词实体识别 (NER) 的任务，利用对齐的人类标注信息作为特征来训练模型，并通过实验表明该方法可以提高 F1-score 的表现。

    Feb, 2022

  • 命名实体识别统一的 MRC 框架

    本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

    Oct, 2019