ACLApr, 2024

SCANNER: 基于知识增强的鲁棒多模态未见实体命名识别方法

PDF
TL;DR最近的研究已经将命名实体识别推向较先进阶段，融入了视觉信号，以致产生了多模态命名实体识别（MNER）或基于图像的 MNER（GMNER）的多个变种。我们提出了 SCANNER（用于 NER 的 Span 候选检测和识别），一种能够有效处理这三种 NER 变体的模型。SCANNER 是一个两阶段结构；我们在第一阶段提取实体候选并将其作为查询，从各种来源中获取知识。通过利用这种以实体为中心的提取知识来处理未知实体，我们可以提高性能。此外，为了应对 NER 数据集中由于噪声注释而出现的挑战，我们引入了一种新的自我蒸馏方法，提高了模型在处理具有固有不确定性的训练数据时的鲁棒性和准确性。我们的方法在 NER 基准测试中展示出有竞争力的性能，并在 MNER 和 GMNER 基准测试中超越了现有方法。进一步的分析表明，所提出的蒸馏和知识利用方法改进了我们的模型在各种基准测试中的性能。
发现论文，激发创造
  • 多粒度命名实体识别

    本文提出了一种新的多粒度命名实体识别框架，MGNER，用于检测句子中多个实体或实体提及，这些实体或实体提及可以是不重叠或完全嵌套的。该框架通过检测所有可能的单词片段和分类实体来识别命名实体，其中利用了上下文信息和自我注意机制，实验结果表明，MGNER 在非重叠 / 嵌套 NER 任务中比现有的最先进基线算法表现提高了 4.4% 的 F1 分数。

    Jun, 2019

  • 检测和匹配的生物医学实体识别

    本研究提出了一种新的生物医学命名实体识别框架 DMNER，其通过利用现有的实体表示模型 SAPBERT，将 BNER 分解为实体边界检测和生物医学实体匹配两个步骤，并表现出在不同 NER 情景下的适用性和有效性。

    Jun, 2023

  • 一种新的多模态命名实体识别框架，具有多级对齐

    本文针对 Tweet 这类多模态数据，提出一种能够动态对齐图像和文本顺序，实现多级跨模态学习，以提高命名实体识别（MNER）的文本表示的新方法。实验结果及详细分析表明了模型的优势。

    May, 2023

  • 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

  • MNER-QG：一种用于多模态命名实体识别的端到端机器阅读理解框架与查询引理

    本文提出了一种新颖的端到端框架 MNER-QG，该框架可以同时执行基于 MRC 的多模态命名实体识别和查询接地任务，并通过查询的帮助提供识别实体类型和视觉区域的先验知识，进一步增强了文本和图像的表征。在 Twitter2015 和 Twitter2017 上进行了广泛的实验，实验结果表明，MNER-QG 在 MNER 任务上优于当前最先进的模型，并提高了查询接地性能。

    Nov, 2022

  • 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

  • 短社交媒体帖子的多模态实体识别

    本研究提出 Multimodal Named Entity Recognition (MNER) 任务，针对用户生成的显式短文本和图像（如 Snapchat 详情）创建了一个新的数据集 SnapCaptions，并利用最先进的 Bi-LSTM 基于词语 / 字符的 NER 模型和深度图像网络结合通用模态注意力模块实现 MNER 任务，成功的通过利用提供的视觉上下文背景比文本 NER 模型具有更佳的性能表现。

    Feb, 2018

  • 2M-NER：利用语言和模态融合进行多语言和多模态 NER 的对比学习

    本文介绍了一项新模型 2M-NER，通过对比学习对齐文本和图像表示，并整合多模态合作模块，从而有效地描述了两种模态之间的交互，实现了在多语言和多模态 NER 任务中 F1 得分最高的结果。

    Apr, 2024

  • 少样本实体识别的混合多阶段解码方法与实体感知对比学习

    我们提出了混合多阶段解码的少样本命名实体识别方法，通过实体跨度检测和实体分类的两个阶段，结合对比学习模块以增强实体表示，实现了在少样本情况下识别新类型命名实体的能力。

    Apr, 2024

  • 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