- MultiLegalSBD: 多语种法律句子边界检测数据集
本文介绍了一个基于多语言法律数据集的句子边界检测研究,展示了基于 CRF、BiLSTM-CRF 和 transformers 的单语和多语模型在该任务上的最新性能,并在葡萄牙语测试集的零样本情况下,证明了其多语模型的性能优于所有基线模型。
- EMNLP序列标注中的不确定性感知标签精炼
引入了一种新的两阶段标签解码框架来建模长期标签依赖关系,并使用双流自注意力模型和贝叶斯神经网络来加快推断过程并减少错误传播。实验结果表明,该方法不仅优于基于 CRF 的方法,而且大大加快了推断进程。
- ACL利用折叠依存转移和标签增强的任务自适应投影网络进行少样本槽位标记
本文主要介绍了一种通过引入条件随机场 (CRF) 中的依赖传递机制,通过转移抽象标签依赖模式作为转移分数来解决少样本(few-shot)场景下的标签分配问题,并提出了 L-TapNet 模型,它基于含义表示标签名称语义来计算发射分数,并在实 - 高度不平衡数据下适应性命名实体识别
本报告提出了一种基于条件随机场层和双向 LSTM 层的神经网络体系结构,其中嵌入向量(Glove,BERT)的融合输入被用来增强模型的泛化能力,还引入了一个分类模型来分离句子并对弱类和强类进行优化以提高 Named Entity Recog - 利用迁移学习和辅助标签提取酒店评论中的方面词和观点词
本文提出了一种使用预训练的 BERT 模型进行转移学习,在印度尼西亚语的酒店评论中分类评估令牌的方法。通过与 Bi-LSTM 模型相比,使用较少的训练时期 (3 个时期) 在标记级别上达到了高达 2% 的差异,并且在实体级别上优于 Bi-L - ICCV基于深度特征和预测修正的显著目标检测结构建模
本文提出了一种深度统一的 CRF 显著性模型,在 CNN 架构下通过特征 - 特征传递、特征 - 预测传递和预测 - 预测传递进行特征和预测更新,通过级联 CRFs 架构和 CNN 共同提炼得到最终的显著性图像,并在 6 个数据集上进行评估 - EMNLP分层细化标签注意力网络用于序列标注
提出一种基于层级注意力机制的标签嵌入模型,较传统的 BiLSTM-CRF 有更好的标签序列表示性能,能显著提高词性标注、实体识别和语法标记任务的标注效果并缩短训练和测试时间。
- ACL利用多任务神经网络模拟噪声以识别社交媒体中的命名实体
本文提出两种利用字符级音韵、词嵌入和词性标注等特征解决社交媒体文本处理困难的模型,比现有技术在噪声环境下的表现更好, F1 得分比之前提高了 2.45% 和 3.69%。
- 面向对话文本的开放意图发现
该文提出了 “开放式意图发现” 任务并提出了双向 LSTM+CRF 模型、自注意力、对抗训练等新方法,在真实数据集上进行实验,证明了该方法的有效性并达到了领先水平。
- 神经词汇形态标注中复合标签的建模
本文提出了一种基于神经网络序列标注器的词形标注方法,将词性标注中的词形标记视为复合标签并显式地建模其内部结构,同时在 49 种语言上表现出良好的效果。
- NNVLP: 基于神经网络的越南语处理工具包
本文介绍了神经网络基础工具集 NNVLP,主要用于越南语言处理任务,包括词性标注、分块、命名实体识别。该工具集使用双向长短期记忆网络,卷积神经网络,条件随机场,并使用预训练的词嵌入作为输入,取得了这三个任务的最新成果。我们提供了 API 和 - CVPR动态实例化网络的像素级实例分割
该论文提出了一种基于语义分割的实例分割系统,利用 CRF 预测具有对象类和实例标签的分割地图,从而提高难度较大的像素级别分割精度,使像素不能属于多个实例,并在 Pascal VOC 和 Cityscapes 数据集上取得最新颖的结果。
- COLING用于临床概念提取的双向 LSTM-CRF 模型
本文采用双向 LSTM 和 CRF 解码结合通用词嵌入抽取患者临床记录中的概念,以达到与排名前列的系统相媲美的 2010 年 i2b2 / VA 基准标准语料库实验结果。
- 序列标注的双向 LSTM-CRF 模型
本文研究了基于 LSTM 模型的序列标注技术,通过引入双向 LSTM 和条件随机场 (CRF) 层提高了模型的准确性和鲁棒性,实现了对 POS、chunking 和 NER 等序列标注数据集的最先进性能。
- CVPR超越语义图像分割:探索视频中高效推理的方法
探究 CRF 推理模块的效率,将语义共同标记和更具表现力的模型结合起来,能够更有效地处理图像层次和区域层次的标记一致性和上下文。由此,本文将空间平滑和出现核扩展到视频数据上,以实现视频语义分割的最佳效果。