Mar, 2024

Wiki-TabNER：通过命名实体识别推进表格解释

PDF
TL;DR为了弥补现有评估数据集的不足，本研究构建了一个更具挑战性的数据集，并引入了一种新颖的问题，用于解决实体链接任务，即对单元格中的命名实体进行识别。最后，我们提出了一个提示框架，以评估新开发的大型语言模型在这一新的表格解释任务上的表现。
web tablestable interpretation tasksentity linking taskbenchmark datasetnamed entity recognition
发现论文，激发创造
  • 使用表格语言模型在工业表格中进行命名实体识别

    本文研究如何将基于 transformer 的模型应用于工业级别的表格数据中的实体识别问题，并开发了一种专用的表格数据增强策略来提高性能，实验证明表格的归纳偏差对于 transformer-based 模型的收敛至关重要。

    Sep, 2022

  • 从 Web 表格中发现新实体

    这篇研究提出一种方法，通过挖掘网络表格中的信息来发现知识库中尚未链接的实体和关系，从而补充和完善知识库。研究结果表明，该方法有效提高了精度并保持回收率稳定。

    Feb, 2020

  • S2abEL：科学表格中的实体链接数据集

    本研究介绍了一个用于科学表格中实体链接的数据集 S2abEL，利用神经网络方法对在科学表格中许多基于知识库之外的提及进行实体链接，并在机器学习结果表格中的 8,429 个单元格上展示了显著优于最先进的通用表 EL 方法的表现。

    Apr, 2023

  • 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

  • 表格数据中的实体链接需要正确的注意

    本文研究如何将表格数据与知识库中的实体进行实体链接。通过引入一个名为 Tabular Entity Linking Lite (TELL) 的模型，可以在不依赖于查询目标知识库中事实的情况下，以常数内存使用量为代价获得与当今最先进的基于注意力机制的模型相当的结果。

    Jul, 2022

  • Table2Vec: 表格填充和检索的神经单词和实体嵌入

    本文使用神经语言模型将表格数据嵌入向量空间，并将它们作为额外的语义相似性信号，应用于三种特定的表格相关任务：行填充、列填充和表检索。评估结果表明，表格嵌入可以显著提高现有基线模型的性能。

    May, 2019

  • NormTab：通过表格数据规范化改进 LLMs 中的符号推理

    该研究介绍了一种名为 NormTab 的新型框架，旨在通过规范化网页表格来提高大型语言模型在符号推理任务中的性能。实验证明，利用 NormTab 显著提高了符号推理性能，为增强基于大型语言模型的符号推理任务的重要性和有效性提供了充分的证据。

    Jun, 2024

  • WikiTableEdit: 自然语言指令下的表格编辑基准

    本研究通过 WikiTableEdit 数据集，评估大型语言模型在不规则结构的表格编辑任务中的表现，提出了使用自然语言指令进行表格编辑的挑战，并将数据集发布给社区推进相关研究。

    Mar, 2024

  • 预训练视觉语言模型实体知识的表格和图像生成

    本文提出了一个基于表格和图像生成的任务来验证自然语言中获取的实体知识如何在视觉和语言模型中得以保留，其包括两部分，一是生成包含有关实体及相关图像的表格，二是基于实体及其知识表生成相关图像。我们使用英文维基百科文章的 170,000 个信息框创建了维基百科表格和图像生成 (WikiTIG) 数据集并使用 OFA 模型对任务进行了评估，实验结果表明，OFA 在预训练过程中会忘记其中一部分实体知识。

    Jun, 2023

  • 学习表格数据的语义注释

    本研究采用深度学习方法，通过利用表格的上下文语义特征和知识库查询算法，实现了对没有元数据的表格的列类型预测，不仅在单独的表格集上表现良好，转移学习到其他表格集也有良好的性能。

    May, 2019