COLINGApr, 2024

ToNER：基于类型的命名实体识别与生成型语言模型

PDF
TL;DR通过提出一种新颖的 NER 框架，名为 ToNER，基于生成模型，利用实体类型的优势促进 NER 任务，并通过在生成模型的编码器上追加多个二分类任务、增加辅助任务和进行广泛实验验证，证明了我们所提出的面向实体类型的 ToNER 策略的有效性。
发现论文，激发创造
  • 具有关系关注和类型关注的多任务 Transformer 用于命名实体识别

    本文提出一种多任务 Transformer 模型，该模型将实体边界检测任务整合到命名实体识别任务中，通过关系分类来实现实体边界检测，并采用外部知识库和自注意力及交叉注意力机制来提高解码时实体类型映射的准确性。在多个实验数据集上的实验结果表明，该方法显著提高了生成型 NER 模型的性能。

    Mar, 2023

  • InstructionNER: 一个多任务基于指令的生成框架，用于少样本 NER

    本文提出了一种基于多任务指令的生成式框架 InstructionNER，用于低资源的命名实体识别。实验结果表明，我们的方法在少样本任务中始终优于其他基线模型。

    Mar, 2022

  • 动态命名实体识别

    本研究介绍了一项新任务：Dynamic Named Entity Recognition（DNER），提供了一个框架，以更好地利用上下文来评估算法提取实体的能力。DNER 基于两个数据集，DNER-RotoWire 和 DNER-IMDb，我们评估了基线模型并提出了与此新任务相关的问题和研究方向的实验。

    Feb, 2023

  • 向实体引导的文本生成中注入实体类型

    本文旨在在解码阶段对实体类型进行建模，以生成准确的上下文词汇，实验表明注入类型在实体提及生成过程中的表现优于现有的类型嵌入拼接基线。

    Sep, 2020

  • 各种 NER 子任务的统一生成框架

    该研究提出了一种基于序列到序列的统一框架实现实体识别子任务的方法，既不需要特定的标记模式和枚举语法，也能够同时解决平面、嵌套和不连续型 NER 任务，通过使用三种实体表示方法，实现了出色的表现。

    Jun, 2021

  • GLiNER: 使用双向 Transformer 进行命名实体识别的通用模型

    本研究论文介绍了一种紧凑的命名实体识别模型 GLiNER，通过双向变压器编码器实现并行实体抽取，同时在各种命名实体基准测试中展现出强大的性能，优于 ChatGPT 和经过微调的大型语言模型。

    Nov, 2023

  • 基于机器阅读理解的命名实体识别：一种多任务学习方法

    本文提出了一种多任务学习框架，将标签依赖关系融入基于机器阅读理解的命名实体识别，通过使用自注意力模块来捕捉标签之间的依赖关系，实现更好的性能。

    Sep, 2023

  • 深度多任务学习的交叉类型生物医学命名实体识别

    本文提出了一个多任务学习框架，可以用于对生物医学命名实体进行识别并提高性能。该模型在 15 个基准生物医学命名实体识别数据集上的实验表明，它比现有的命名实体识别系统和基线序列标注模型都要好，此外，性能提升大部分来源于在不同的标注数据之间共享生物医学实体相关的字符和单词级别的信息。

    Jan, 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

  • 为生成式语言模型进行知情命名实体识别解码

    提出了一种简单而有效的方法，Informed Named Entity Recognition Decoding (iNERD)，将命名实体识别视为一种生成过程，利用近期生成模型的语言理解能力，并采用了基于信息提取的有限文本生成的解码方案，以提高性能和消除幻觉风险，我们在合并的命名实体语料库上训练了模型，评估了五个生成语言模型在八个命名实体识别数据集上的表现，并取得了显著的结果，特别是在未知实体类别集的环境中，展示了该方法的适应性。

    Aug, 2023