Jun, 2024

主要实体识别：核心指代消解的基础替代方式

PDF
TL;DR核心 ference 解析模型的有限泛化成为该任务广泛应用的主要瓶颈，通过对比不同的标注、使用额外的目标域数据，以及提出另一种 CR 任务的替代公式 ——Major Entity Identification（MEI），我们证明 MEI 模型在多个数据集上以监督模型和基于 LLM 的少量样本提示为基础，以良好的泛化性能适用于各种领域。此外，MEI 任务符合分类框架，使得可以使用比当前 CR 指标更稳健的基于分类的度量。最后，MEI 在实际应用中也很有用，因为它允许用户搜索特定实体或一组感兴趣的实体的所有提及。
coreference resolutionannotation differencesmajor entity identificationgeneralization gapfrequent entities
发现论文，激发创造
  • 零资源跨领域命名实体识别

    本文提出了一种跨领域命名实体识别模型，使用多任务学习和实体专家混合方法，实现了零资源领域自适应，性能优于其他无监督跨域序列标注模型。

    Feb, 2020

  • 利用多任务学习将单例和基于提及的特征纳入共指消解，以提高泛化性能

    这篇论文提出了一种通过多任务学习方法学习单例以及实体类型和信息状态等特征的共指模型，在 OntoGUM 基准上取得了新的最高分（+2.7 分），并在多个领域的数据集上提高了鲁棒性（平均 + 2.3 分），可能是由于更大的指称检测的泛化能力和更多单例数据的利用所致。

    Sep, 2023

  • 通过多任务学习模型和提及引导解码的有效利用实体追踪

    该研究介绍了一种名为 MeeT 的多任务学习启发的实体跟踪方法，该方法利用一般领域任务中获得的知识来提高实体跟踪的准确性，无需设计具体的模型结构或专门的预训练，在两个常用的实体跟踪数据集上实现了最佳效果。

    Oct, 2022

  • 实体核指关联的无监督排名模型

    本文提出了一个基于生成模型，引入 resolution mode 变量的无监督排名模型，用于实体的共指消解。该无监督系统在 CoNLL-2012 共享任务的英文数据上，通过 CoNLL 指标得分为 58.44%，超过了 Stanford 确定性系统（Lee et al.，2013）3.01% 的得分。

    Mar, 2016

  • 通过学习实体级分布式表示来提高共指消解

    通过使用神经网络和学习搜索算法，本研究提出了一种基于实体级信息的代指消解系统，其在 CoNLL 2012 共享任务数据集的英语和中文部分上，即使使用了很少的手工特征，也显著优于当前最先进的技术。

    Jun, 2016

  • 英波斯语内指消解综述

    该研究综述了核指消解领域的现有语料库和评估指标，提供了基于规则的方法到最新的深度学习技术的核指算法概述，并调查了波斯语的核指消解和代词消解系统。

    Nov, 2022

  • 缩小建模差距：一种集群排序方法用于共指消解

    提出了一种基于聚类排名的共指解析方法，该方法结合了提及排名和实体 - 提及模型的优点，并通过两个扩展来改进聚类排名者的性能： (1) 词汇化和 (2) 通过联合建模代表性确定和共指解析来结合关于先行词类型的知识。实验结果表明，与竞争方法相比，此方法具有卓越的性能，并且我们的两个扩展措施是有效的。

    Jan, 2014

  • 跨文档指代消解的现实评估原则

    该研究指出跨文档指代消解的常见评估方法在假设情境方面过于宽松，导致结果夸大。为此，提出两种评估方法论原则，一是应该根据预测的提及而非黄金提及来评估模型，二是模型不应利用合成的 ECB + 数据集的主题结构，以便模型面对词汇歧义挑战，实证结果显示我们更为真实的评估方法对于一个竞争模型的影响巨大，并导致 33 的 F1 得分下降，从而解决该问题。

    Jun, 2021

  • 双管齐下：将知识图谱和大型语言模型的知识融合用于实体对齐

    该研究提出了一种基于大型语言模型增强的实体对齐框架（LLMEA），将知识图谱的结构知识与大型语言模型的语义知识相结合，以提升实体对齐的效果。实验结果表明，LLMEA 优于其他基线模型，进一步剖析试验证实了我们提出框架的效能。

    Jan, 2024

  • 指代消解综述

    本文旨在通过回顾研究中所采用的数据集、评估指标和研究方法来澄清名词消解中两个任务的范围，以提供对此 NLP 问题的清晰理解和需要关注的问题。

    May, 2018