NER论文笔记2-ACL2021

最新推荐文章于 2023-12-30 14:08:37 发布
最新推荐文章于 2023-12-30 14:08:37 发布
阅读量1.1k 收藏 5
点赞数 1
CC 4.0 BY-SA版权
分类专栏： 论文笔记 文章标签： 深度学习 自然语言处理 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/TARO_ZERO/article/details/123335992
本文介绍了ACL2021上关于命名实体识别（NER）的三篇论文。首先，FEW-NERD构建了一个大规模小样本NER数据集，解决细粒度实体识别问题。接着，Locate and Label提出两阶段模型，改善嵌套NER的效率和准确性。最后，一种利用外部上下文检索和合作学习的方法提升了NER性能，达到最先进的精度。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

FEW-NERD: A Few-shot Named Entity Recognition Dataset

论文背景：小样本（few-shot）NER指基于少量标注信息的NER任务，由于许多领域的实体识别需要大量专业知识，从而难以人工标记，所以诞生了小样本NER，以图学习未标注的实体

小样本NER任务很少有公开的标准数据集

此前的方法是收集现有的受监督NER数据集，再将其重新投放到小样本环境中进行实证研究，但这些数据往往都是粗粒度的实体类型，而在实践中，大多数看不见的实体类型都是细粒度的，不能很好满足训练要求

论文贡献：建立了一个大规模人工标注的小样本NER数据集，包含8个粗粒度，66个细粒度实体类型，共188238句话，4601160个单词（均带有粗、细粒度标签）

是首个few-shot NER数据集，也是目前最大的人工NER数据集

数据集构建：N-way K-shot 采样策略，目的是采样N类标签，每一类不少于k个样本

数据标注采用人工标注

Locate and Label: A Two-stage Identifier for Nested Named Entity

论文背景：此前处理嵌套NER任务的主流方法是span-based模型，该方法将实体识别转化为span（连续的一段单词）分类问题，但是计算开销大，忽略了实体边界信息，不能充分利用部分与实体匹配的span信息，难以

最低0.47元/天 解锁文章

200万优质内容无限畅学
NLP会议最新论文（NER部分）
catcatrun
07-11 1960
1. ACL2016年论文：1.1 Learning Word Segmentation Representations to Improve Named Entity Recognition for Chinese Social Media1.2 Domain Specific Named Entity Recognition Reffering to the Real World by Deep
NER论文笔记3-ACL2021
TARO_ZERO的博客
04-27 1231
Modularized Interaction Network for Named Entity Recognition 论文背景： 思路创新： 模型构建： 数据集：
NER论文两篇
Hekena的博客
06-10 1162
是围绕小样本下的NER学习任务展开的。建模为生成模型的任务，所以使用的PLM依旧是BART。 至于Light，我想，论文中是因为，参数调整的较少，故称之为“轻量级”NER建模了prompt级别的注意力机制，在Transformer内部，做了一点改动，其他方面，暂时没有看出来，欢迎补充 原始的transformer结构： 按照模型结构，可以分为： 纯 Encoder 模型：适用于只需要理解输入语义的任务，例如句子分类和命名实体识别，又被称为自编码 (auto-encoding) Transformer 模型，
EMNLP2023 NER方向论文整理
最新发布
weixin_43895699的博客
12-30 3349
虽然文本增强方法在改善低资源环境下的性能方面取得了成功，但它们在像NER这样的标记级任务中存在注释损坏的问题。此外，现有方法无法可靠地为数据集添加上下文多样性，而这对于低资源NER至关重要。在这项工作中，我们提出了一种名为Contextual and Semantic Structure-based Interpolation（CASSI）的新型增强方案，该方案通过结构化地组合一对语义相似的句子来生成新句子，从而生成高质量的上下文多样性增强，同时避免了注释损坏，同时保持语义正确性和流畅性。
CNN-NER论文详解
yingzi的技术博客
07-31 1139
基于序列标注（sequence labeling）基于超图（hypergraph）基于序列到序列（Seq2Seq）基于片段分类（span classification）本文跟进了《Named Entity Recognition as Dependency Parsing》这一论文的工作，同样采用基于片段分类的方案。
[论文笔记]ACL2021 Locate and Label: A Two-stage Identifier fo Nested Named Entity Recognition
beihai2013
02-11 818
2022/2/10 ACL2021 Locate and Label: A Two-stage Identifier fo Nested Named Entity Recognition 懒得粘图了，参考我的知乎https://zhuanlan.zhihu.com/p/466385935 1 摘要&介绍 当前的NER任务只能应对flat实体，不能应对嵌套（nested）实体。而能应对嵌套实体的模型，也有着高额计算指出、忽略边界信息、文段（span）利用率低的问题。 针对以上困难，文章提出了一个2阶段
论文笔记 | FLAT: Chinese NER Using Flat-Lattice Transformer
u011150266的博客
05-06 1328
作者：刘锁阵 单位：燕山大学 论文地址：https://arxiv.org/pdf/2004.11795.pdf 代码地址：https://github.com/LeeSureman/Flat-Lattice-Transformer 文章目录背景介绍模型设计将格子转换为平坦结构对于区间的相关位置编码实验结果 Character-word lattice结构对于解决中文NER问题是有效的，然而由于格子结构是复杂的和动态的，大多数现在的基于格子的模型很难完全利用GPU的并行计算能力，并且通常有着比较低的推断速度
NER-LSTM-CNN-Pytorch:通过双向LSTM-CNNs-CRF教程进行端到端序列标签
05-01
这是针对ACL'16论文的PyTorch教程 该存储库包括 资料夹 设置说明文件 预训练模型目录（笔记本电脑将根据需要自动将预训练模型下载到此目录中） 作者 安装 最好的安装pytorch的方法是通过 设置 创建新的Conda环境 ...
NER论文阅读-Chinese NER Using Lattice LSTM（2020ACL）
qq_40104299的博客
01-15 403
Chinese NER Using Lattice LSTM（2020ACL） 摘要 近些年有很多尝试使用词典信息来提高中文命名实体识别的性能的工作。其中一个代表就是Lattice-LSTM，这项工作取得了很多领先的成果在几个公开数据集上。可是，lattice_LSTM有很复杂的模型结构，这个限制了它在很多工业领域——那些需要实时NER回应的地方。 在这个工作中，我们想出了一个简单但是高效的方法将词汇表信息融入到字符表示层中。这个方法避免了设计一个复杂的词序标注结构，而且对于任何的神级网络NER模型，只
NER经典论文：LEBERT
weixin_42887772的博客
05-18 596
LEBERT中引入词汇信息的方式可以有效提高模型对实体边界和类型的识别性能。LEBERT方法在BERT底层注入词汇信息，可以高效地进行词增强 LEbert在bert的基础上有两点改进： 输入：对于序列中的每一个字符cic_ici​都会寻找若干个词wi,jw_{i,j}wi,j​，来构成char-word对 通过lexicon adapter来将词汇信息加入到bert的某一层 模型结构 char-words pair： Lexcion Adapter: 将char输出到bert经过几层transforme
Python-LstmcrfLatticeCRFbertner及近年ner相关论文follow
08-11
Lstm-crf,Lattice-CRF,bert-ner及近年ner相关论文follow
ner:命名体识别（NER）综述-论文-模型-代码（BiLSTM-CRFBERT-CRF）-竞赛资源总结-随时更新-源码时代
03-24
背景介绍 建了仓库，地址在这里： 点star不迷路，相关文章在github上更新的会更交替一点QAQ 之前做过调整的命名体识别，项目背景实际上也很简单，就是我要做一个关键词匹配的功能，第一步我需要挖掘关键词。 ，明星领域，财经领域等等吧，这些领域的文本很有特色，一般人名/地名/公司名称/书名/电影名称都可以很好的表示文本关键信息。 在这种项目背景之下，很自然的就会想到使用命名体识别。我把在做这个项目的过程中，积累的一些资料汇总了一下，希望对大家有所帮助。 关于命名体识别，这是一个很大的领域，要做好，有很多工作要做。标题完全是为了能增加曝光，自己还是知道只是一个小学生，我会把自己看过的有用的东西都列出来，给大家提供一些先验信息。 之后看到的关于nert的文章会在此基础继续更新（最近存了好多新文章还没看/苦逼码农/ QAQ），不过建议大家star一下Github，不迷路，我给自己的计划是精读一
命名实体识别NER论文调研
Chile_Wang的博客
01-03 2083
因为NER任务与笔者之前做的CCF互联网金融新实体识别竞赛相关,所以这两个月也调研了一些NER的算法，这两年的NER算法思想主要集中在将词典信息融入训练过程，达到减少中文语义歧义的效果。...
NER论文分享：ACL 2023-short 一种基于两个QA系统的NER
weixin_51912360的博客
09-07 963
最近NER任务被视为是一种span predication的任务并且有一种趋势即将这种任务化为一种QA任务。因此本文提出了一种基于问答分类的命名实体识别（NER）的创新方法，即Split-NER系统，其在多个数据集上优于其他模型，同时显著缩短了训练时间。该系统将NER任务分为两个逻辑子任务：（1）span detection（2）span classification。这种处理方法能够分别对两个子任务进行优化，从而提高NER的效率与准确性。该系统整体流程如下图所示：系统的整体框架。
【论文笔记-NER综述】A Survey on Deep Learning for Named Entity Recognition
yuexiaomao的博客
10-09 2739
本笔记理出来综述中的点，并将大体的论文都列出，方便日后调研使用查找，详细可以看论文。 神经网络的解释： The forward pass com- putes a weighted sum of their inputs from the previous layer and pass the result through a non-linear function. The backward pass is to co...
NER[2] - 文章解读：A Survey on Deep Learning for Named Entity Recognition
ZhuNian的学习乐园
07-13 3299
本文是翻译一篇NER综述原文：A Survey on Deep Learning for Named Entity Recognition 文章链接：https://arxiv.org/abs/1812.09449v3
[论文笔记] [中文NER] Chinese NER Using Lattice LSTM
土肆的笔记本
05-26 1012
论文：Chinese NER Using Lattice LSTM 作者：张岳 (Yue Zhang)、Jie Yang (GitHub) 录用：ACL 2018 3. 模型部分 主要记录不同模型的输入向量，以式(0)为例： (0)南1京2市3∣长4江5大6桥7 \frac{南}{1}\frac{京}{2}\frac{市}{3} | \frac{长}{4}\frac{江}{5}\frac{大}...
【论文解读系列】NER方向：W2NER (AAAI 2022)
ljp1919的专栏
10-24 3765
文章基于词-词关系分类，提出一个统一的实体框架 W2NER，关系包括 NNW 和 THW。框架在面对各种不同的 NER 时非常有效。
【论文解读系列】NER方向：FLAT (ACL 2020)
ljp1919的专栏
09-10 887
中文NER通常以字符为单位进行序列标注建模，即一般使用character-based模型。这主要是由于中文分词存在误差，会带来错误传导，所以一般character-based的中文NER模型通常要优于 基于word-based(经过分词)的序列标注建模方法。而在character-based模型中引入词汇信息可以显著提升中文NER效果已经得到多方验证。FLAT也是一种将词汇信息融入character-based模型的解决方案。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值