本文介绍了一个包括两种任务的数据集，以及一个名为 TERMinator 的工具，用于从科技文本中提取实体和它们之间的语义关系，并研究语言模型对术语识别的影响和不同方法之间的比较。实验证明，预先训练在目标语言上的语言模型并不总是表现最好。此外，添加一些启发式方法可以提高特定任务的整体质量。

Sep, 2022

使用自然语言处理技术和 Named Entity Recognition 模型，我们建立了一个系统，对社会科学研究文献中的数据引用进行了探测，构建了一个社会科学文献和相关数据集的数据集，这将有助于未来的数据引用、数据引证网络和数据再利用领域的研究。

May, 2022

该研究介绍了一种能够在英语小说和波兰语互联网新闻中实现人物命名实体识别和消岐的工具 --ProtagonistTagger，其准确率和召回率在 78% 到 88% 之间波动。

Mar, 2022

提出了一种使用词汇资源的描述和分布式语义语料的相关信息的简单方法，以更好地初始化关系模型的训练，在 WordNet 数据集上表现出了显着的最新性能。

May, 2016

通过众包实验和单词分布表示，本文介绍了表示形式 connotation frames，它可以组织单词中的 connotative 关系并分析线上新闻媒体中的潜在偏见。

Jun, 2015

本文介绍了 PLUMBER，这是一个框架，允许用户从社区创建的工具池中手动和自动创建合适的信息抽取流水线，以在非结构化文本上执行三元组抽取和对齐的任务。我们的方法提供了一个交互式的媒介来改变流水线和执行信息提取任务。

Jun, 2022

本研究提出了一种名为 “社会偏见框架” 的新的概念形式化模型，以模拟人们如何将社会偏见和刻板印象投射到其他人身上的框架，并建立了一个名为 “社会偏见推理语料库” 的数据集来支持大规模建模和评估，分析表明当前最先进的神经模型虽然能够高效地对是否含有不良社会偏见进行分类，但在详细解释社会偏见框架方面并不有效。本研究为今后的研究工作提供了指导，即将结构化的语用推理与社会影响的通识推理相结合。

Nov, 2019

本文研究了不同上下文环境下，有些动词引起的语义框架不同，以及如何利用 Contextualized word representations 识别这些不同的语义框架，同时探索哪些类型的表示适合用于语义框架的归纳。通过比较七种不同的 Contextualized word representations，特别是 BERT 和其变体，在 FrameNet 和 PropBank 等英语 Frame-semantic 资源方面进行了实验，表明，某些 Contextualized word representations 对于语义框架的归纳具有相当的信息量。此外，本文还考察了动词的上下文表示估算其所引起的语义框架数的程度。

May, 2021

本文提出了一种新的学习单词嵌入的方法，可以利用相关词汇表的信息来改进单词表示，并使用神经单词嵌入在 CoNLL 和 Ontonotes NER 中实现了最先进的结果。在公共数据上取得了 90.9 的 F1 评分，优于以前的任何系统，并与使用私有工业查询日志数据的系统匹配。

Apr, 2014

研究了在预训练的深度 Transformer 网络中注入谓词的语义 - 句法信息对其语言能力及事件提取任务表现的影响。结果表明这一方法能够提高英语及其他语言的事件提取任务性能。

Dec, 2020