Jan, 2024

SEBERTNets: 面向金融领域的事件实体提取任务的序列增强 BERT 网络

PDF
TL;DR提出了一种新型模型 SEBERTNets，能够准确提取事件实体和有效识别相应的事件实体，同时捕获序列语义信息；此外，还提出了一种混合序列增强 BERT 模型 HSEBERTNets，采用多通道召回方法来识别所有相应的事件实体。实验结果表明，SEBERTNets 的 F1 分数为 0.905，HSEBERTNets 的 F1 分数为 0.934，证明了方法的有效性。
发现论文，激发创造
  • 基于 BERT 的多头选择联合实体关系抽取

    本文利用 BERT 作为特征提取层并引入语义增强的预训练任务，并使用大规模数据集进行实体识别预训练，提出软标签嵌入以有效传递实体识别和关系提取之间的信息，从而增强多头选择模型的信息提取能力，最终在测试集上获得了 0.892 的 F1 分数。

    Aug, 2019

  • 基于图增强的 BERT 模型用于事件预测

    本研究提出使用 BERT 模型自动构建事件图来预测事件之间的关联，从而提高事件预测的准确性，实验结果表明本方法能够超过现有的基准方法。

    May, 2022

  • SEntFiN 1.0：金融新闻情感分析中的实体感知

    本文探讨了在新闻标题中进行细粒度金融情感分析的任务和挑战，提出 SAEntFiN 1.0 数据集，并使用特征为基础的方法提取实体相关情感。使用 12 种不同的学习方案验证实验结果，RoBERTa 和 finBERT 的平均准确率和 F1 分数最高，同时使用 210,000 多个实体情感预测验证了情感对市场的影响。

    May, 2023

  • 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

  • 中文医学文本中 BERT 联合实体和关系抽取的微调

    该研究提出了一种基于 BERT 语言模型和聚焦注意力机制的联合实体和关系抽取模型，通过动态范围注意机制，提高了共享参数层的特征表示能力，实验结果表明，该方法在冠状动脉造影文本上的名词实体识别和关系分类任务的 F1 得分分别达到 96.89% 和 88.51%，优于现有技术水平。

    Aug, 2019

  • 基于 BERT 的生物医学实体标准化排名

    本研究中，我们提出了一种实体归一化架构，通过微调预训练的 BERT/BioBERT/ClinicalBERT 模型，并使用三种不同类型的数据集进行了广泛的实验，评估了预训练模型用于生物医学实体归一化的有效性。我们的实验结果表明，最佳微调模型始终优于以前的方法，并提高了生物医学实体规范化的最新水平，精确度提高了高达 1.17％。

    Aug, 2019

  • 基于历史对比学习的时间知识图谱推理

    提出了一种基于历史对比学习的事件预测模型 Contrastive Event Network (CENET)，利用历史和非历史信息来区分最具潜力的匹配实体，并使用二元分类器生成布尔掩码以指示相关实体的搜索空间，采用基于掩码的策略生成最终结果，实验结果表明 CENET 在事件预测方面明显优于现有方法。

    Nov, 2022

  • 基于 BERT 上下文表示的文档内事件指代消解

    该研究基于 contextualized language representations 和 pretrained BERT model 开发了一种新的 event coreference 任务模型，通过训练神经网络分类器和简单的聚类算法，取得了 state-of-the-art 的实验结果。

    Feb, 2021

  • 基于跨度的联合实体和关系提取，结合序列标注机制

    提出了一种深度神经网络模型 STSN，该模型将序列标注和基于区间的联合抽取结合起来，可以使模型从序列标注机制中学习标记信息，并将其应用于基于区间的联合抽取中，并在三个基准数据集上实现了新的最优结果。

    Oct, 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