COLINGFeb, 2024

基于深度学习的食谱命名实体识别模型

PDF
TL;DR通过对三个数据集进行分析，我们发现进行了细粒度微调的 spaCy-transformer 成为最佳模型，对于手动注释、增强注释和机器注释数据集，它的宏 F1 分数分别为 95.9％、96.04％和 95.71％。
recipesnamed entity recognitioningredient phrasesinformation extractionrecipe data
发现论文，激发创造
  • 构建命名实体文本的语言模型

    本文提出了一种基于实体类型信息构建判别式语言模型的新方法，并提供了两个基于食谱和 Java 编程代码的基准数据集来评估所提出的模型。实验结果表明，相比现有的语言模型，我们的模型在食谱生成和代码生成方面的困惑度分别达到 52.2％和 22.06％的显著提高。

    May, 2018

  • 命名实体识别的深度学习调查

    本文基于三个维度的分类法，系统地回顾了深度学习在命名实体识别上的应用技术，并介绍了面临的挑战和未来的研究方向。

    Dec, 2018

  • TASTEset -- 食谱数据集与食品实体识别基准

    介绍了一种新数据集（TASTEset），用于在处理食谱时识别各种实体（如食品产品、数量及其单位、烹饪过程名称、物理质量、目的和味道等）。我们提供了一些基于最先进的命名实体识别模型的基线，证明了我们的数据集对现有模型构成了良好的挑战。

    Apr, 2022

  • 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

  • 深度学习模型中命名实体识别的最近进展综述

    本文综述了深度神经网络在命名实体识别方面的应用，相对于传统的基于特征工程和监督或半监督学习算法的实体识别方法，神经网络在该领域中取得了更好的效果，并表明吸收过去的基于特征的 NER 系统的一些经验教训可以进一步提高性能。

    Oct, 2019

  • NERetrieve: 下一代命名实体识别与检索数据集

    通过大规模语言模型，命名实体识别可以达到更精细化的实体类型识别、零样本识别和语句检索等目标，但这些目标仍然需要进一步研究和探索。

    Oct, 2023

  • 少样本命名实体识别：综合研究

    本文提出了一种有效地建立识别命名实体（NER）系统的方法，基于最近的基于转换器的自我监督预训练语言模型（PLMs），并探讨了三种正交的方案来改进针对少样例情况的模型泛化能力，通过大量实验结果表明，我们的方法在少数样例学习环境中显著改善或优于基于域标记微调的 PLM 线性分类器等基线方法，同时在无训练和少样例学习环境下建立了最新的业界记录。

    Dec, 2020

  • 电子商务搜索中命名实体识别的端到端解决方案

    本文介绍了在电子商务领域中运用 TripleLearn 模型训练框架，通过三个数据集迭代学习的方法解决了领域知识、训练数据和模型生产等方面的挑战，将识别品牌和产品类型等关键实体的 F1 得分从 69.5 提高到 93.3，并在 A/B 测试中显著提高了用户参与度和收入转化率，TripleLearn 框架可推广至更多工业应用领域，特别是类似数据基础和问题的电子商务行业。

    Dec, 2020

  • 大规模生物医学命名实体识别

    通过在 Apache Spark 之上重新实现 Bi-LSTM-CNN-Char 深度学习架构，我们提出了一个单可训练的命名实体识别（NER）模型，该模型在七个公共生物医学基准测试中获得了新的最优结果，而不使用像 BERT 这样的重​​型上下文嵌入。该模型在生产级别代码库中作为开源 Spark NLP 库的一部分免费提供，并且可以扩展以支持其他人类语言，而不需要更改代码。

    Nov, 2020

  • 近期命名实体识别研究进展综述

    命名实体识别（NER）旨在从文本中提取命名真实世界对象并确定它们的类型，本文首先概述了最近流行的方法，然后探讨了其他调查中较少涉及的基于图和变换器的方法，包括大型语言模型（LLMs）。其次，重点介绍了适用于稀缺注释数据集的方法。第三，我们评估了主要 NER 实现在不同类型的数据集上的性能，并对从未共同考虑过的算法进行了深入比较。我们的实验揭示了数据集特征如何影响我们比较的方法的行为。

    Jan, 2024