Feb, 2024

VerifiNER: 基于知识驱动的大语言模型增强的命名实体识别的验证

PDF
TL;DR最近在领域特定命名实体识别（NER）方面采取的方法取得了显著进展，但它们仍然缺乏准确性，产生错误预测。本文提出了一种后续验证框架 VerifiNER，通过利用知识来从现有的 NER 方法中识别错误并修正成更为准确的预测。我们的框架利用大型语言模型的推理能力和背景信息，在验证过程中充分基于知识。通过对生物医学数据集进行广泛实验验证了 VerifiNER 的有效性。结果表明，作为一种模型无关的方法，VerifiNER 可以成功验证现有模型的错误。对于领域外和资源有限情况的进一步分析显示了 VerifiNER 在实际应用中的有用性。
domain-specific named entity recognitionverifinerpost-hoc verification frameworkknowledgebiomedical datasets
发现论文，激发创造
  • 知识增强的语言模型验证

    通过使用独立验证器处理语言模型的输出和知识，本研究提出了一种验证方法，以解决语言模型在生成文本时可能存在的错误。结果表明，该验证器可以有效地识别检索和生成错误，使语言模型能够提供更准确的结果。

    Oct, 2023

  • IXA/Cogcomp 参加 SemEval-2023 第 2 项任务：基于知识库的上下文增强的多语言命名实体识别

    本文介绍了一种新的命名实体识别级联方法，它由三个步骤组成：首先在输入句子中识别候选实体，然后将每个候选实体链接到现有的知识库中，最后预测每个实体候选的细粒度类别。实验证明，外部知识库在准确分类细粒度和新兴实体方面具有重要意义，并且我们的系统在 MultiCoNER2 共享任务中表现出强大的性能，即使在使用高资源语言的知识库情况下，也能在低资源语言环境中获得良好的表现。

    Apr, 2023

  • E-NER: 基于证据的深度学习在可信命名实体识别中的应用

    介绍了 Evidential deep learning 在 named entity recognition (NER) 中实现 predictive uncertainty 的困难之处，并提出了一种可信 named entity recognition (E-NER) 框架，引入了两个基于不确定性的错误函数以及一系列基于不确定性的训练策略。实验证明 E-NER 能够应用于多种 NER 模式，并获得准确的不确定性估计。与最先进的基线相比，所提出的方法在 OOV/OOD 检测性能和 OOV 实体的泛化能力方面均有所提高。

    May, 2023

  • FactKG: 通过知识图谱推理进行事实验证

    介绍了一个名为 FactKG 的新数据集，该数据集包含 108k 个自然语言声明及其相关类型的推理，旨在通过推理知识图谱来进行事实验证，并开发了基于这些推理类型的基线方法，以提高知识图谱的可靠性和实用性。

    May, 2023

  • QA-NatVer: 自然逻辑为基础的事实验证的问答

    使用问题回答预测自然逻辑运算符，不依赖标注数据、具有确定性推理系统的方法，在少样本设置下，在 FEVER 上的准确度比最佳基线提高了 4.3 个百分点，并且在丹麦验证数据集上超过了所有其他方法，展示了系统的鲁棒性和可移植性，通过人工评估得出结论：相较于之前的基于自然逻辑的系统，我们的方法产生了更可信的证据，并且使用更少错误的自然逻辑运算符。

    Oct, 2023

  • 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

  • 神经实体推理器在 NER 中实现全局一致性

    Neural Entity Reasoner (NE-Reasoner) framework uses symbolic memory and specific interaction-pooling mechanism to introduce global consistency of recognized entities into Neural Reasoner over Named Entity Recognition (NER) task, and can accommodate ambiguous words and rare name entities to outperform conventional NER models in most cases on both English and Chinese NER datasets.

    Sep, 2018

  • ClaimVer: 文本的可解释的声明级验证和证据归属通过知识图谱

    介绍了一个人本中心的框架 ClaimVer，通过生成丰富的注释来满足用户的信息和验证需求，减少认知负荷，清晰地验证每个声明，提供清晰简明的解释，增强了广泛应用于各种下游任务的适用性。

    Mar, 2024

  • MultiVerS: 通过弱监督和完整文档上下文提高科学论断验证

    MultiVerS 是一种用于科学论文中事实验证任务的 NLP 系统，其可以在多任务的方式下预测事实核查标签并确定每个标签的理由。

    Dec, 2021

  • 通过检索非结构化知识进行自适应命名实体识别

    本文提出了一种自适应 NER 方法，利用未经充分学习的实体作为查询，从非结构化文本中检索外部知识，以提高模型的性能。通过实验验证，该模型在 CrossNER 数据集上表现优于强基准模型 2.35 个 F1 分数。

    Oct, 2022