本文笔记涵盖ACL2019上关于命名实体识别（NER）的论文，包括使用Tag Hierarchy模型解决多标签问题，将实体关系抽取转化为多轮问答任务，利用图神经网络（GraphRel）进行联合实体和关系提取，以及多粒度NER框架。这些研究创新性地解决了NER领域的挑战，如嵌套实体、重叠关系和无监督学习问题。
A Joint Named-Entity Recognizer for Heterogeneous Tag-sets Using a Tag Hierarchy
论文背景：由于某些特别是医药领域中命名实体的数据集标签往往是多样的，例如下图，分别有Tag-set1、Tag-set2、Tag-set3三种不同的标签
针对这样的问题，传统的做法可能是分别先建立起层次结构（tag hierarchy），训练时要么单独训练每种标签各自模型的参数，要么联合训练即共享提取特征层（一般为BiLSTM等序列模型）
| 单独训练模型 | 联合训练模型 |
 |
 |
思路创新：该论文提出一个统一的Tag Hierarchy，称为Tag Hierarchy M
最低0.47元/天 解锁文章
扫一扫
1139
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
