Nov, 2023

标记重加权：一种简单而有效的命名实体识别主动学习策略

PDF
TL;DR本研究提出了一种新颖的基于重新加权的主动学习策略，该策略可以为每个标记分配动态平滑的权重，以解决命名实体识别中数据不平衡和学习信号不足的挑战，并且在多个数据集上进行的实验结果表明，将此重新加权策略与已有的获取函数相结合可以显著提高性能，验证了其实际的有效性。
发现论文，激发创造
  • 命名实体识别的深度主动学习

    本文介绍了一种名为 CNN-CNN-LSTM 的轻量级深度学习模型，通过增量主动学习技术，可以显著减少已标记训练样本量，达到几乎与最先进模型相媲美的性能表现。

    Jul, 2017

  • 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

  • 使用元重权的鲁棒自我增强命名实体识别

    本论文研究使用自我增强技术以提高在低资源场景下命名实体识别 (NER) 的性能，提出了基于元反权重策略的统一 Token 替代和混合方法，可以在不增加特定增强方法的情况下提高 NER 的性能。

    Apr, 2022

  • 利用主动学习和弱监督学习实现实体名称的结构化表示学习

    本文介绍了一种新的学习框架，该框架结合了主动学习和弱监督的方法，用于学习实体名称的隐式结构化表示，并展示此方法仅通过几个标记示例就能学习出高质量的模型。

    Oct, 2020

  • LTP：一种基于 CRF 的命名实体识别新主动学习策略

    研究了使用 Deep Learning 解决命名实体识别任务时所需的数据注释成本高的问题，并提出了一种基于不确定性的主动学习策略，称为 LTP，它将 CRF 的输入和输出相结合，可以在减少注释负担的同时提高准确性。

    Jan, 2020

  • DistALANER：在开源软件生态系统中增强的基于远程监督的主动学习命名实体识别

    本文提出了一种新的命名实体识别（NER）技术，专门针对开源软件系统。我们的方法通过使用全面的两步远程监督注释过程来解决注释软件数据的稀缺性问题。该方法战略性地利用语言启发式方法、唯一的查找表、外部知识源和主动学习方法。通过利用这些强大的技术，我们不仅提高了模型的性能，还有效地克服了成本和专家注释者的稀缺性方面的局限性。值得注意的是，我们的框架在很大程度上超越了现有技术的领先水平。我们还展示了 NER 在下游关系抽取任务中的有效性。

    Feb, 2024

  • 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

  • 实体识别任务中主动学习策略及其评估环境的综述

    我们对自然语言处理（NLP）领域中的主动学习进行了一个范围性回顾，根据 PRISMA-ScR 指南进行总结：该研究旨在识别针对实体识别提出的主动学习策略以及它们的评估环境（数据集、指标、硬件、执行时间）。研究结果表明，已经鉴别出了多种主动学习策略，同时也存在一些有待解决的开放性问题。研究人员和实践者在选择采用哪种主动学习策略时面临困难，通过使用本研究提出的评估环境进行全面的实证比较，有助于建立该领域的最佳实践。

    Jul, 2024

  • 医疗文本中的少样本命名实体识别

    本研究在仅有 10 个注释示例的情况下，通过使用预训练权重、超参数调整、预处理数据、自定义词嵌入和优化词外词汇等 5 个因素改善了命名实体识别任务，并将其 F1 得分从 69.3% 提高到 78.87%。

    Nov, 2018

  • 实体对齐的主动学习

    本文提出了一个新的实体对齐标注框架，其中包括选择信息化实例、评估不同的主动和被动学习策略等内容，并发现被动学习方法在效率和性能上与主动学习方法相当。

    Jan, 2020