Jun, 2024

使用数据增强的嵌套命名实体识别的复合嵌套学习

PDF
TL;DR本研究关注于基于嵌套命名实体识别（NNER）来解决实体重叠识别的问题，提出了一种有效的数据增强方法，使用 Composited-Nested-Label Classification（CNLC）来建模嵌套实体，通过 Composited-Nested-Learning（CNL）对数据集进行扩充，并采用 Confidence Filtering Mechanism（CFM）对生成的数据进行高效选择，实验证明该方法在 ACE2004 和 ACE2005 中取得了改进，并缓解了样本不平衡所带来的影响。
发现论文，激发创造
  • Mulco：通过多重范围识别中文嵌套命名实体

    本文提出了 ChiNesE 数据集及一种基于学习的模型 Mulco，用于解决中文嵌套式实体识别问题，Mulco 方法通过多个范围识别嵌套结构中的命名实体，通过对 ChiNesE 数据集的实验表明，该方法的性能优于基线方法，并在 ACE2005 中文语料库上实现了最佳性能。

    Nov, 2022

  • Few-Shot 嵌套命名实体识别

    本文首次提出了针对 few-shot 嵌套 NER 任务的 Biaffine 对比学习框架 (BCL)，该框架利用上下文依赖来区分嵌套实体，将语义表示与上下文跨度表示相结合，并采用对比学习来调整表示分布，实现更大的边缘边界和更广泛的领域迁移学习能力。实验结果表明，在三个英语、德语、俄语嵌套 NER 数据集上，BCL 在 1-shot 和 5-shot 任务中的 F1 得分优于三个基本模型。

    Dec, 2022

  • 作为潜在的词汇化组成句子分析的嵌套命名实体识别

    本文提出使用词性识别和命名实体识别相结合的方法，在 NER 中推广了语法结构树，并引入局部边际化算法来解决名字嵌套的问题。实验结果表明，使用本文提出的方法在 ACE2004，ACE2005 和 NNE 数据集上达到了现有最优效果，并在 GENIA 数据集上表现出色，并且具有快速的推理速度。

    Mar, 2022

  • 低资源跨语言命名实体识别的双重对比框架

    本篇论文提出了一种名为 ConCNER 的新颖双重对比框架，针对有限来源语言标注数据的跨语言命名实体识别问题，通过翻译对数据进行增广，并利用对比学习和知识蒸馏的方法，提高模型的性能。

    Apr, 2022

  • 命名实体识别统一的 MRC 框架

    本文提出一种统一的框架，通过将命名实体识别任务形式化为机器阅读理解问题，能够同时处理平面 NER 和嵌套 NER 任务，并在实验中验证该框架在嵌套 NER 数据集上大幅提高性能，并在平面 NER 中获得当前最佳结果。

    Oct, 2019

  • CNN-LSTM-CRF 和词语分割联合训练实现的神经网络中文命名实体识别

    本文提出了一种神经方法来解决中文命名实体识别的挑战，该方法包括使用 CNN-LSTM-CRF 神经架构来捕捉 CNER 的本地和长距离上下文，引入统一框架来联合训练 CNER 和分词模型以增强 CNER 模型在识别实体边界方面的能力，以及使用自动方法从现有标记数据生成伪标记样本来扩充训练数据。实验结果表明，该方法特别适用于训练数据不足的情况下，可以有效提高中文命名实体识别的性能。

    Apr, 2019

  • 一种用于小样本命名实体识别的统一标签感知对比学习框架

    我们提出了统一的标签感知令牌级对比学习框架，通过利用标签语义作为后缀提示来丰富上下文，同时优化上下文 - 上下文和上下文 - 标签对比学习目标，从而提高推广辨别性的上下文表示。广泛的实验表明我们的方法在各种传统测试领域和大规模少样本 NER 数据集上优于先前的最先进模型，微粒 F1 分数平均绝对增益达到 7%。进一步的分析揭示了我们模型受益于其强大的迁移能力和改进的上下文表示。

    Apr, 2024

  • ACLM：基于选择性去噪的生成式数据增强方法在低资源复杂命名实体识别中的应用

    本文提出了一种基于条件语言模型微调的 ACLM 注意力映射感知关键词选择数据增强方法，用于解决低资源环境下的语言复杂命名实体识别问题，它能够生成更多样化和连贯的增强数据，在单语、跨语言和多语言复杂命名实体识别任务中，ACLM 相比于神经网络基准模型有更好的表现，并能够用于其他数据缺乏的领域。

    Jun, 2023

  • 上下文学习的少样本嵌套命名实体识别

    我们提出了一个有效和创新的 ICL 框架，用于少样本嵌套命名实体识别，通过设计一种新颖的示例演示选择机制 EnDe 检索器，我们通过对比学习进行语义相似性、边界相似性和标签相似性的三类表示学习来生成高质量的演示示例，在三个嵌套 NER 和四个平面 NER 数据集上的大量实验表明我们系统的有效性。

    Feb, 2024

  • 利用 LLM 增加 NER 数据集：走向自动化和精确注释

    在自然语言处理（NLP）领域，命名实体识别（NER）被认为是一项关键技术，广泛应用于各种应用。本研究引入了一种新颖的混合标注方法，将人力与大型语言模型（LLMs）的能力相结合，旨在提高 NER 模型的性能，并以经济的方式解决传统标注方法存在的噪音和类别不平衡问题。通过多个数据集的分析，该方法在受限预算条件下始终显示出比传统标注方法更优越的性能，揭示了利用 LLMs 提高数据集质量的潜力，引入了一种减轻类别不平衡问题的新技术，并证明了以经济方式实现高性能 NER 的可行性。

    Mar, 2024