Raki的读paper小记：Unified Named Entity Recognition as Word-Word Relation Classification

最新推荐文章于 2023-04-10 13:52:19 发布
最新推荐文章于 2023-04-10 13:52:19 发布
阅读量1.3k 收藏 1
点赞数 1
分类专栏： NLP 读paper 文章标签： bert 深度学习 自然语言处理 机器学习 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.youkuaiyun.com/Raki_J/article/details/123591434
版权

Abstract & Introduction & Related Work

  • 研究任务
    • NER同一建模模型（flat，nested，discontinuous）
  • 已有方法和相关工作
    • 序列标注
    • 基于超图的方法
    • seq2seq方法
    • 基于span的方法
    • 现有方法focus如何准确识别实体边界
  • 面临挑战
    • 在推理过程中同时存在假结构和结构模糊的问题
    • 解码效率
    • 曝光偏差
    • 基于span的方法受限于最大span长度，模型复杂度
  • 创新思路
    • 提出了一种基于word-word关系分类的统一NER建模模型，称之为 W 2 N E R W^2NER W2NER
    • 该架构通过对实体词之间的相邻关系进行有效建模，用Next-Neighboring-Word（NNW）和Tail-Head-Word-（THW-）关系来解决统一NER的内核瓶颈问题
  • 实验结论
    • 在14个数据集上sota

嵌套NER和不连续NER的示意图，比flat更加的复杂
在这里插入图片描述
W 2 N E R W^2NER W

最低0.47元/天 解锁文章
Unified Named Entity Recognition as Word-Word Relation Classification
张满的博客
06-03 684
到目前为止，命名实体识别（NER）主要涉及三种类型 ，包括平面、重叠（又称嵌套）和不连续的NER，它们大多被单独研究。最近，人们对统一的NER越来越感兴趣，用一个单一的模型来处理上述三种工作。目前表现最好的方法主要包括基于跨度的模型和序列到序列的模型，不幸的是，前者仅仅关注于 边界识别，而后者可能会受到外置偏见的影响。在这项工作中，我们提出了一个新的替代方案，将统一的NER建模为词与词之间的关系分类，即W2 NER。该架构通过有效地模拟邻接词与 下一个 邻接词（NNW）和 尾部-头部词 *（THW-*）的关
论文阅读：Unified Named Entity Recognition as Word-Word Relation Classification
最新发布
JieBao11的博客
12-03 1208
到目前为止，命名实体识别(NER)涉及三种主要类型，包括平面的（flat）、重叠的（overlapped）(也即嵌套)和不连续的（discontinuous）NER，它们大多是单独研究的。最近，人们对统一NER越来越感兴趣，即用一个模型同时处理上述三种工作。目前表现最好的方法主要包括基于跨度的（span-based）模型和序列到序列的（sequence to sequence)模型，然而不幸的是，前者只关注边界识别，后者可能存在暴露偏差。
Raki的读paper小记：Discontinuous Named Entity Recognition as Maximal Clique Discovery
Raki_J的博客
02-15 1073
Abstract & Introduction & Related Work 研究任务 不连续NER 已有方法和相关工作 基于组合的模型首先检测所有的重叠span，然后学习用单独的分类器来组合这些片段 基于过渡的模型通过一连串的移位-还原动作对不连续的span进行增量标记 面临挑战 现有的方法将其分为几个连续的阶段，在推理阶段模型输出依赖于前面的阶段，将会累计偏差 exposure bias 创新思路 将不连续NER转化为寻找图中最大团的非参数化过程，避免了受到暴露偏差的问题
Raki的读paper小记：Named Entity Recognition as Dependency Parsing
Raki_J的博客
02-15 730
Abstract & Introduction & Related Work 研究任务 嵌套NER 已有方法和相关工作 面临挑战 创新思路 用依赖解析来做NER 实验结论 sota Methods 输入用bert，fasttext，char 三种embedding bert用(Kantor and Globerson, 2019)的方案，得到一个目标token的上下文相关嵌入，每边有64个周围token char embedding 用CNN 三种embedding concat起来丢到
Raki的读paper小记：Code and Named Entity Recognition in StackOverflow
Raki_J的博客
02-13 504
Abstract & Introduction & Related Work 研究任务 已有方法和相关工作 面临挑战 创新思路 实验结论
Raki的读paper小记：Hierarchical Entity Typing via Multi-level Learning to Rank
Raki_J的博客
02-06 491
Abstract & Introduction & Related Work 一个树状层级的粗粒度到细粒度的模型，拥抱了本体论结构（？这是什么） 研究任务 hierarchical entity classification 已有方法和相关工作：FET的进展主要集中在以下方面 更好的mention表示 融入层次结构 面临挑战 研究人员提出了替代的FET方法，其类型不在类型层次中形成。 创新思路 提出了一种新的方法，将明确的本体结构考虑在内，通过多层次的学习排名方法，以给定的
【论文阅读笔记|AAAI2022】Unified Named Entity Recognition as Word-Word Relation Classification
@
03-13 1390
本文研究了一种具有新的词-词关系分类结构的统一NER形式，即W2NER。
AAAI-2022-NER-Unified Named Entity Recognition as Word-Word Relation Classification
Hekena的博客
09-13 915
做的比较精细的一个工作，是在表中实现了三种识别的统一。嗯哼，了了心头一事。主要是前一周一直在考虑怎么在表中实现统一识别。毕竟generative的方式出来了，图的方式出来，表的还差。反思：在动手实操还有其他之前，一定要先把任务可能的形式想清楚，就比如，这种不连续实体，可能左不连续，也可能右不连续，但你只考虑了右不连续的场景，没有考虑到中间不连续等等场景，最后做的也不对。耗时耗力，没讨着好。
《论文阅读》Unified Named Entity Recognition as Word-Word Relation Classification
说文科技，做有态度的研究。
04-10 1354
使用关系抽取的方法来解决NER抽取。（一篇统一解决了Flat，Nested，Discontinuous 三种NER场景的工作）。
【NLP】《Unified Named Entity Recognition as Word-Word Relation Classification》论文阅读
让算法融入生活，改变生活！
04-01 504
该模型核心就是创造性地提出将实体抽取转换成word（中文就是字与字之间的关系）之间的关系抽取类别抽取。通过构建word与word之间关系的抽取可以解决flat、nested、discontinuous 这三种类型的NER识别任务，也就是标题所受的统一的实体抽取模型了。对于一个语句XXX，其由NNN个token（中文可以看成字，英文可以看成单词）组成，那么一个语句就是Xx1x2⋯xNXx1​x2​⋯xN​，一个token pair就是xixj。
A Unified MRC Framework for Named Entity Recognition【文章学习】
hxshine的博客
04-08 874
一、总结 • 相关英文 Entity overlapping span • 代码 https://github.com/ShannonAI/mrc-for-flat-nested-ner https://github.com/qiufengyuyi/sequence_tagging • todo 后面有时间在做一个代码解读
一种全新易用的基于Word-Word关系的NER统一模型，刷新了14种数据集并达到新SoTA...
zenRRan的博客
02-23 1047
每天给你送来NLP技术干货！论文：Unified Named Entity Recognition as Word-Word Relation Classification链接：https...
论文笔记 A Unified MRC Framework for Named Entity Recognition | ACL2020
weixin_41297561的博客
08-26 2291
论文题目：A Unified MRC Framework for Named Entity Recognition 论文作者：Xiaoya Li♣, Jingrong Feng♣, Yuxian Meng♣, Qinghong Han♣, Fei Wu♠ and Jiwei Li♣ ♠ Department of Computer Science and Technology, Zhejiang University ♣ Shannon.AI 论文链接：https://arxiv.org/pdf/1
统一的NER识别模型-Unified NER
yaohaishen的专栏
03-08 2143
头尾token，头尾产生联系，表示出不连续实体的头尾关系，并且和。下一个相邻词/字，表示两个字之间的关系。
【论文笔记】A Unified MRC Framework for Named Entity Recognition
yuexiaomao的博客
10-09 2173
香农科技 ACL 2020的论文笔记 代码和paper可见：https://github.com/ShannonAI/mrc-for-flat-nested-ner 文章提出了将ner看做MRC(machine reading comprehen- sion )任务，而不是当做序列标注看待。 文章认为。在序列标注的过程中，如ORG是被当做onehot向量使用的，由于这样不是明确的知道要抽取什么，会导致较差的性能。但是MRC方法会将query编码成重要的实体类别的先验信息。此外，通...
从最近的AAAI和EMNLP中了解命名实体识别与关系抽取的联合建模
zenRRan的博客
03-25 1716
每天给你送来NLP技术干货！来自：复旦DISC引言命名实体识别和关系抽取都属于信息抽取方向，二者都是自然语言处理中非常重要的任务。早期的信息抽取将实体识别和关系抽取看作串联的任务，但这样存在误差累积、关系重叠等一系列问题。近年来，有许多将实体识别和关系抽取任务进行联合建模的研究。本次Fudan DISC实验室将分享AAAI2022中的两篇和EMNLP2021中的一篇关于命...
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