zn0412的博客

Few-shot Relation Extraction via Bayesian Meta-learning on Relation Graphs

作者在全局核心推理关系和局部依赖关系的基础上明确连接实体提及，以建立更好的实体提及表示。

【AAAI 2020】Hierarchical Attention Network with Pairwise Loss for Chinese Zero Pronoun Resolution论文地址：https://ojs.aaai.org//index.php/AAAI/article/view/6352摘要       最近的神经网络方法在解决汉语零代词问题时，没有考虑零代词和候选先行词之间的双向注意，而是简单地将该任务作为

BERTifying 多源弱监督命名实体识别的隐马尔可夫模型摘要       我们研究了使用来自多个弱监督源的嘈杂标签来学习命名实体识别 (NER) 标记器的问题。 尽管获取成本低，但来自弱监督来源的标签往往不完整、不准确且相互矛盾，这使得学习准确的 NER 模型变得困难。 为了应对这一挑战，我们提出了一种条件隐马尔可夫模型（CHMM），它可以以无监督的方式有效地从多源噪声标签中推断出真实标签。 CHMM 利用预训练语言模型的上下文表

ACL2016 《通过双向 LSTM-CNNs-CRF 的端到端序列标记》摘要       最先进的序列标记系统传统上需要大量手工制作特征和数据预处理形式的特定于任务的知识。 在本文中，我们介绍了一种新颖的中性网络架构，该架构通过使用双向 LSTM、CNN 和 CRF 的组合，自动受益于词级和字符级表示。 我们的系统是真正的端到端，不需要特征工程或数据预处理，因此适用于广泛的序列标记任务。 我们针对两个序列标记任务在两个数据集上评估我