现在很多基于填表方式的NER方法，在构造表中元素的时候，一般用的都是由相应span的head字和tail字的表征得到的，而本文在此基础上加入了从span中所有字的表征中抽取出来的特征，下面介绍一下具体怎么搞。
2022-08-11 11:47
小样本 NER 需要从很少的实例和外部资源中获取有效信息。本文提出了一个自描述机制，可以通过使用全局概念集（universal concept set）描述实体类型（types）和提及（mentions）来有效利用实例和外部资源的知识。
2022-08-15 09:42
Few-shot NER的三阶段：Train、Adapt、Recognize，即在source域训练，在target域的support上微调，在target域的query上测试。
2022-08-24 16:12
之前的工作（Monaikul 等人，2021）通过对新实体类添加输出层（AddNER）以及对输出层进行扩展（ExtandNER）两种知识蒸馏的方式解决。但是这种方式需要大量的数据，这在实际问题中不太现实。因此本文遵循了一个更加实际的设置：
2022-09-01 17:10
命名实体识别（NER）是信息抽取的一项基本任务，它的目的是识别文本片段中的实体及类型，如人名（PER），地名（LOC）和组织名（ORG）。命名实体识别在许多下游任务都有着广泛的应用，如实体链接和关系抽取。
2022-09-28 11:41
最近的研究都在考虑如何通过一个大一统模型一次性解决这三种问题。目前的最佳的方法基本都是基于span-based和seq2seq的，然而span-based方法主要倾向于通过枚举所有span组合来解决边界问题，时间复杂度上是个问题；
2022-03-23 13:37
LSTM网络是整体思路同样是先对给定的训练样本进行学习，确定模型中的参数，再利用该模型对测试样本进行预测得到最后的输出。由于测试输出的准确性现阶段达不到100%，这就意味着，肯定存在一部分错误的输出，这些输出里很可能就包含类似于上述第二句话这种不符合语法规则的文本。
2018-04-18 11:17
近年来，基于神经网络的深度学习方法在自然语言处理领域已经取得了不少进展。作为NLP领域的基础任务—命名实体识别（Named Entity Recognition，NER）也不例外，神经网络结构在
2018-01-18 09:24
信息抽取任务包括命名实体识别（NER）、关系抽取（RE）、事件抽取（EE）等各种各样的任务。
2022-09-20 15:25
本文的 basic 模型使用 BERT+BiLSTM+CRF 进行 NER 任务。首先给定输入序列 ，使用预训练的 BERT 得到每个 token 的表征。
2022-08-03 11:46
