Dec, 2023

REE-HDSC：历史数据库苏里南库拉索的实体识别

PDF
TL;DR我们介绍了 REE-HDSC 项目，并概述了我们努力提高手写文本识别软件生成的文本中自动提取命名实体的质量的工作。我们描述了一个六步处理流程，并通过处理库拉索民事登记处的 19 世纪和 20 世纪的死亡证明进行了测试。我们发现该流程能够高精度地提取日期，但人名提取的精度较低。接下来，我们展示了如何通过重新训练带有人名的 HTR 模型、后处理以及识别并删除错误名字来提高人名的提取精度。
发现论文，激发创造
  • 电子健康记录中基于远程监督的医学实体自动识别技术

    本文提出了一种新的医学实体抽取方法 —— 利用预训练的 transformer 模型，将电子健康记录作为单步多标签分类任务进行边缘微调，无需人工干预，达到了人类级别的分类质量。

    Jan, 2022

  • 穿越数个世纪的迁移学习：机器和历史学家集成方法解密王室秘书日记

    该研究介绍了朝鲜历史文献中的命名实体识别和分类，通过将语言模型调整到历史文献上，与使用预训练的多语言模型进行对比实验，发现短语标记明显改善了 NER 模型在预测不同时间段撰写的未见过的实体时的性能。

    Jun, 2023

  • 历史欧洲的人物和地点：自举标注管道和晚期中世纪文本中命名实体的新语料库

    本文开发了一个新的 NER 语料库，并使用信息检索技术，自动引导命名实体识别 - 注释语料库。我们使用我们的语料库训练了一个 NER 模型，具有 72.81-93.98％的实体级精度和 58.14-81.77％的召回率。此外，我们公开发布了我们的语料库，模型和实验代码，以便他人重现和构建我们的工作。

    May, 2023

  • hmBERT: 历史多语言语言模型用于命名实体识别

    本篇研究讨论了针对历史文本进行命名实体识别的挑战，并提出使用大型历史语言模型 hmBERT 预训练来解决标注数据不充足的问题，并使用 HIPE-2022 共享任务来评估模型性能。

    May, 2022

  • 基于现代命名实体识别技术的自由文本健康记录去识别化基准测试

    本研究旨在探究采用基于深度学习的命名实体识别 (NER) 方法在坚持保留医疗数据隐私的前提下，如何更好地去识别和去除医疗记录中的敏感信息，进而使得医疗数据可以用于科学研究。其中，BiLSTM-CRF 被发现是最佳的编码 / 解码器组合方式之一；字符嵌入和 CRF 的使用倾向于在精度和召回率之间做出权衡；而单独使用 Transformer 作为上下文编码器的效果相对较差。未来的研究可以尝试结构化医疗文本以获得更好的语义和句法信息，以进一步提高 EHR 去识别效果。

    Mar, 2021

  • 基于实体的文档级信息提取作为模板生成

    本文提出了一种基于生成式框架的文档级实体提取方法，该方法能够高效地捕获跨多实体的相关信息，使用了一种名为 TopK Copy 的交叉注意力引导复制机制，实验结果表明此方法达到了科技论文数据集上的新的最优结果。

    Sep, 2021

  • 运用结合机器学习的方法提高 19 世纪历史文献中的 OCR 质量

    该论文利用机器学习模型针对历史研究的挑战进行研究，旨在提高 OCR 质量和识别数据结构的准确度。

    Jan, 2024

  • 基于人工智能的历史地籍图结构检测与信息提取（19 世纪初斯蒂里亚省方济各会地籍）与当前高分辨率卫星航拍图像用于遥感

    19 世纪的地籍是历史学家和考古学家的一个复杂且丰富的来源，使用时面临巨大挑战。我们使用卷积神经网络和视觉变换器训练了几个深度学习模型，从这种知识表示中提取大规模数据。我们在这里展示了我们工作的主要结果，并展示了我们基于浏览器的工具的演示，该工具使研究人员和公众利益相关者能够快速识别出 19 世纪弗朗西斯喜安地籍中具有建筑物的地点。这个工具不仅支持学者和研究人员更好地理解斯泰里亚地区的定居历史，还帮助公共行政机构和公民迅速确定文化遗产敏感区域。

    Dec, 2023

  • HistNERo: 历史罗马尼亚语命名实体识别

    介绍了 HistNERo，第一个用于历史报纸中的罗马尼亚命名实体识别（NER）的罗马尼亚语语料库，含 323k 个标记文本，覆盖了 1817 年至 1990 年的超过一半时间段。实验结果显示，最佳模型在此语料库上的严格 F1 分数达到了 55.69％，通过减少地区之间的差异并使用一种新颖的领域自适应技术，我们将其提高到了 66.80％，相对增益超过 10％。

    Apr, 2024

  • 面向历史德语的鲁棒命名实体识别

    应用预训练的基于字符的语言模型，成功提升了历史德语低资源命名实体识别准确性，并相较于经典 CRF-based 方法和 Bi-LSTMs，提高了高达 6% 的 F1 得分表现。

    Jun, 2019