CREAK: A Dataset for Commonsense Reasoning over Entity Knowledge
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
大多数针对常识推理的基准数据集都关注日常场景:物理知识,比如知道你可以在瀑布下装满一个杯子[Talmor等人,2019],像撞到某人这样的社会知识是尴尬的[Sap et al.,#20199;及其他特殊情况。然而,有一个丰富的常识推理空间锚定到特定实体的知识:例如,决定一个索赔的真实性“哈利波特可以教如何在扫帚上飞行的课程。“模型可以学习以这种方式将实体知识与常识推理结合起来吗?我们介绍CREAK,一个关于实体知识的常识推理的测试平台,将关于实体的事实检查(哈利·波特是一个巫师,擅长骑扫帚)与常识推理(如果你擅长一项技能,你可以教别人如何做)联系起来。我们的数据集包括13 k人类撰写的关于实体的英语声明,这些实体要么是真的,要么是假的,除了一个小的对比集。众包工作者可以很容易地提出这些陈述,并且人类在数据集上的表现很高(90多岁);我们认为模型应该能够将实体知识和常识推理融合在一起。在我们的实验中,我们专注于闭卷设置,并观察到一个基线模型微调现有的事实验证基准的斗争CREAK。在CREAK上训练模型可以大幅提高准确性,但仍然低于人类的表现。我们的基准测试提供了对自然语言理解模型的独特探索,测试了它检索事实的能力(例如,他在芝加哥大学教书?)以及未陈述的常识知识(例如,管家不会对客人大喊大叫)。
2021-09-03 cs.AI cs.CL
GraLMatch: Matching Groups of Entities with Graphs and Language Models
University of Zurich(苏黎世大学);Zurich University of Applied Sciences(苏黎世应用科技大学);Move Digital AG;Bern University of Applied Sciences(伯尔尼应用科技大学)
针对多源实体组匹配中传递匹配易受假阳性干扰的问题,提出GraLMatch方法通过图特征移除假阳性,并验证少量样本微调DistilBERT可实现更优匹配效果,证明精确率是大规模实体组匹配的关键。
2024-06-21 cs.AI cs.CL cs.DB
Entity-Memory Graph Retrieval Improves Evidence Coverage in Long-Conversation Question Answering
Tsinghua University(清华大学)
该研究提出实体记忆图检索方法,在10个LoCoMo对话的1986个问题上,使top-k=25的证据召回率提升约4.74个百分点,实现检索覆盖增益。
2026-08-31 cs.CL
When Names Cross Scripts: A Source-Grounded Benchmark for Historical Entity Reconciliation in the Mongol World
University of Amsterdam(阿姆斯特丹大学);Amsterdam UMC(阿姆斯特丹大学医学中心)
针对蒙古世界历史实体对齐的MHER基准,证实来源基准证据可大幅提升对齐准确率,且仅名称输入在同名异义案例中表现极差,仅上下文信息与Qwen3-8B的名称处理存在特定问题。
2026-08-25 cs.AI cs.CL
From Entity Mentions to Tone: An LLM-Based Pipeline for Media Bias Analysis
University of Tirana(地拉那大学)
该研究提出一种基于大语言模型的媒体偏见分析流水线,对8358篇阿尔巴尼亚新闻文章开展实验,验证了其在偏见分析中的有效性,适用于手动验证数据集或专用语言工具有限的场景。
2026-08-19 cs.CL
Automatic Creation of Named Entity Recognition Datasets by Querying Phrase Representations
Korea University(高丽大学);Adobe Research(Adobe研究院);AIGEN Sciences(AIGEN科学公司)
针对弱监督 NER 依赖专家词典且自动伪词典覆盖不足的问题,提出 HighGEN,通过短语嵌入搜索和嵌入距离验证生成高覆盖低噪声数据集,并在五个基准上平均 F1 提升 4.7。
2023-06-01 cs.CL
Better Sampling of Negatives for Distantly Supervised Named Entity Recognition
DAMO Academy, Alibaba Group(阿里巴巴集团达摩院);Singapore University of Technology and Design(新加坡科技设计大学)
本文提出一种简单直接的方法,通过选取与所有正样本高相似的顶级负样本用于训练,在四个远程监督NER数据集上实现一致性能提升,并证明区分真假阴性至关重要。
2023-05-22 cs.CL
Improving Tagging Consistency and Entity Coverage for Chemical Identification in Full-text Articles
Korea University(高丽大学);University of California, San Diego(加州大学圣迭戈分校)
本文是关于我们的系统提交给BioCreative VII Track 2挑战的化学鉴别任务的技术报告。这一挑战的主要特点是数据由全文文章组成,而当前的数据集通常只包括标题和摘要。为了有效地解决这个问题,我们的目标是提高标签的一致性和实体覆盖率,使用各种方法,如在相同的文章中的多数表决命名实体识别(NER)和一个混合的方法,结合字典和神经模型进行规范化。在NLM-Chem数据集上的实验中,我们表明我们的方法提高了模型的性能,特别是在召回方面。最后,在挑战赛的官方评估中,我们的系统在NER中排名第一,表现明显优于基线模型和来自16个团队的80多个提交。
2021-11-20 cs.CL cs.IR
TBCOV: Two Billion Multilingual COVID-19 Tweets with Sentiment, Entity, Geo, and Gender Labels
Qatar Computing Research Institute(卡塔尔计算研究所);Hamad Bin Khalifa University(哈马德·本·哈利法大学)
本文构建TBCOV大规模多语言COVID-19推文数据集,利用深度学习标注情感、实体、用户与性别,并提出地理标记方法以支持疫情舆情与现实问题分析。
2021-10-04 cs.CL cs.SI
A Rigorous Study on Named Entity Recognition: Can Fine-tuning Pretrained Model Lead to the Promised Land?
University of Chinese Academy of Sciences(中国科学院大学);Chinese Information Processing Laboratory State Key Laboratory of Computer ScienceInstitute of Software, Chinese Academy of Sciences(中国科学院软件研究所计算机科学国家重点实验室中文信息处理实验室);Huawei Cloud&AI(华为云与人工智能)
微调预训练模型在标准NER基准测试中取得了令人满意的性能。一般来说,这些基准具有很强的名称规则性,高提及覆盖率和足够的上下文多样性。不幸的是,当扩大净入学率开放的情况下,这些优势可能不再存在。因此,它提出了一个关键的问题,即以前可信的方法在面对这些挑战时是否仍然有效。由于目前没有可用的数据集来研究这个问题,本文提出了标准基准进行随机化测试。具体来说,我们从基准测试中删除名称规则性,提及覆盖率和上下文多样性,以探索它们对模型泛化能力的影响。为了进一步验证我们的结论,我们还构建了一个新的开放NER数据集,该数据集关注名称规则性较弱和提及覆盖率较低的实体类型,以验证我们的结论。从随机化测试和实证实验中,我们得出以下结论:1)名称规则性对于模型推广到未见过的提及至关重要; 2)高提及覆盖率可能会破坏模型的泛化能力; 3)使用预训练编码器时,上下文模式可能不需要捕获大量数据。
2020-10-23 cs.CL
Type-Aware Decomposed Framework for Few-Shot Named Entity Recognition
Wuhan University(武汉大学)
针对少样本命名实体识别中虚假跨度与不稳定原型问题,提出类型感知分解框架TadNER,通过跨度过滤与对比学习提升性能,达到新最先进水平。
2023-10-16 cs.CL
Context-aware Entity Typing in Knowledge Graphs
Huazhong University of Science and Technology(华中科技大学);Beijing Institute of Technology(北京理工大学)
知识图实体分类的目的是推断知识图谱中实体的缺失类型,这是一个重要但尚未充分研究的问题。本文提出了一种新的方法,该任务利用实体的上下文信息。具体来说,我们设计了两种推理机制:i)N2 T:独立地使用实体的每个邻居来推断其类型; ii)Agg 2 T:聚合实体的邻居来推断其类型。这些机制将产生多个推理结果,并使用指数加权池方法来生成最终的推理结果。此外,我们提出了一种新的损失函数,以减轻训练过程中的假阴性问题。两个真实世界的KG上的实验证明了我们的方法的有效性。本文的源代码和数据可以从https://github.com/CCIIPLab/CET获得。
2021-09-16 cs.CL
Named Entity Recognition for Novel Types by Transfer Learning
DATA61;The Australian National University(澳大利亚国立大学);The University of Melbourne(墨尔本大学)
在命名实体识别中,我们往往没有一个大的领域内训练语料库或知识库足够的覆盖率直接训练一个模型。在本文中,我们提出了一种方法,在给定的训练数据在一个相关的领域具有相似的(但不相同)命名实体(NE)类型和少量的域内训练数据,我们使用迁移学习来学习特定于域的NE模型。也就是说,任务设置中的新颖之处在于,我们不仅假设域不匹配,而且假设标签不匹配。
2016-10-31 cs.CL
Learning Nested Named Entity Recognition from Flat Annotations
Lomonosov Moscow State University(罗蒙诺索夫莫斯科国立大学)
本文提出从平面标注中学习嵌套命名实体识别的方法,通过四种技术组合在NEREL基准上达到26.37%的内部F1,缩小了与完全嵌套监督的差距。
2026-02-28 cs.CL
Bootstrapping Named Entity Recognition in E-Commerce with Positive Unlabeled Learning
Lenovo Research(联想研究院);German Research Center for Artificial Intelligence (DFKI)(德国人工智能研究中心)
命名实体识别(NER)领域,如电子商业是一个研究不足的问题,由于缺乏注释的数据集。识别新的实体类型在这个领域,如产品,组件和属性,是具有挑战性的,因为它们的语言复杂性和现有的知识资源的覆盖率低。为了解决这个问题,我们提出了一个自举的积极的无标签学习算法,集成了特定领域的语言功能,快速,有效地扩大种子字典。该模型在一个新的产品描述数据集上的平均F1得分为72.02%,比基线BiLSTM分类器提高了3.63%,特别是表现出更好的召回率(平均4.96%)。
2020-05-22 cs.CL
CommonWhy: A Dataset for Evaluating Entity-Based Causal Commonsense Reasoning in Large Language Models
University of Toronto(多伦多大学)
CommonWhy数据集通过15000个为什么问题评估大语言模型的因果关系实体推理能力,揭示现有模型在因果推理和事实生成上的不足。
2026-05-13 cs.CL
Named Entity Recognition with Partially Annotated Training Data
University of Pennsylvania(宾夕法尼亚大学);University of North Carolina(北卡罗来纳大学);Bloomberg LP(彭博有限合伙企业)
监督式机器学习假设完全标记数据的可用性,但在许多情况下,例如低资源语言,唯一可用的数据是部分注释的。我们研究的问题命名实体识别(NER)与部分注释的训练数据,其中一小部分的命名实体被标记,和所有其他令牌,实体或其他,被标记为非实体默认情况下。为了在这个嘈杂的数据集上进行训练,我们需要区分真阴性和假阴性。为此,我们引入了一种约束驱动的迭代算法,该算法学习在噪声集中检测假阴性并降低它们的权重,从而得到加权训练集。有了这个集合,我们训练一个加权NER模型。我们评估我们的算法与神经和非神经NER模型的加权变体的数据在8种语言从几种语言和脚本家庭,显示出强大的能力,从部分数据学习。最后,为了显示真实世界的功效,我们在由非说话者注释的孟加拉语NER语料库上进行评估,表现优于现有技术的5个点F1。
2019-09-20 cs.CL cs.LG
Predicting Document Coverage for Relation Extraction
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
本文提出了一个新的任务,预测的覆盖率的一个文本文档的关系抽取(RE):文档是否包含许多关系元组为一个给定的实体?覆盖预测在选择最佳文档用于大输入语料库的知识库构建时是有用的。为了研究这个问题,我们提出了一个数据集的31,366不同的文件为520个实体。我们分析了文档覆盖率与长度、实体提及频率、Alexa排名、语言复杂度和信息检索分数等特征的相关性。这些特征中的每一个都只有中等的预测能力。我们采用的方法相结合的特征与统计模型,如TF-IDF和语言模型,如BERT。结合特征和BERT,HERB的模型,达到了高达46%的F1分数。我们展示了覆盖预测在两个用例上的实用性:KB构建和索赔反驳。
2021-11-26 cs.AI cs.CL
PASC: Pipeline-Aware Conformal Prediction with Joint Coverage Guarantees for Multi-Stage NLP and LLM Pipelines
Independent Researcher(独立研究者)
本文提出PASC,一种面向多阶段NLP和LLM流水线的管道感知置信区间方法,通过联合覆盖保证提升多阶段流水线的置信区间性能。
2026-05-12 cs.CL cs.IR cs.LG
Fine-Tuning Over Architectural Complexity: Broad-Coverage PII Detection on PIIBench with DeBERTa
本研究通过微调DeBERTa模型,在涵盖82种实体类型的多源PIIBench数据集上实现广泛覆盖的PII检测,直接微调方法在F1分数上显著优于架构复杂的层次模型和课程扩展方法。
2026-05-25 cs.AI cs.CL
Towards Consistent Document-level Entity Linking: Joint Models for Entity Linking and Coreference Resolution
Ghent University(根特大学);imec(比利时微电子研究中心)
我们考虑的任务,文档级的实体链接(EL),这是很重要的,以作出一致的决定,实体提到了整个文件联合。我们的目标是利用明确的“连接”之间的文件本身的提及:我们建议加入EL任务的共指消解(coref)。这是对利用(i)隐式文档信息(例如,实体提及之间的潜在关系或通用语言模型)或(ii)候选链接之间的连接(例如,从外部知识库推断)。具体来说,我们集群提到通过共指链接,并强制执行一个单一的EL所有集群提到在一起。后一种约束具有通过加入EL候选列表以用于因此聚类的提及而增加覆盖的附加益处。我们将coref+EL问题表示为有向树上的结构化预测任务,并使用全局规范化模型来解决它。在两个数据集上的实验结果显示,与单独的对应任务相比,coref和EL任务的F1得分都提高了+5%。对于困难情况的子集,在候选实体列表中缺少正确EL的个体提及,我们获得了+50%的准确性增加。
2022-07-02 cs.CL
CollaboNet: collaboration of deep neural networks for biomedical named entity recognition
Korea University(高丽大学)
背景:生物医学命名实体的发现是生物医学文本挖掘中最基本的任务之一。最近,基于深度学习的方法已被应用于生物医学命名实体识别(BioNER),并显示出有希望的结果。然而,由于深度学习方法需要大量的训练数据,因此缺乏数据可能会阻碍性能。BioNER数据集是稀缺资源,每个数据集仅覆盖实体类型的一小部分。此外,许多生物实体是多义的,这是命名实体识别的主要障碍之一。结果如下:为了解决缺乏数据和实体类型错误分类的问题,我们提出了CollaboNet,它利用了多个NER模型的组合。在CollaboNet中,在不同数据集上训练的模型相互连接,以便目标模型从其他协作者模型获得信息,以减少误报。每个模型都是其目标实体类型的专家,并在训练期间轮流充当目标和协作者模型。实验结果表明,CollaboNet可以大大减少误报和错误分类的实体,包括多义词的数量。CollaboNet在精确度、召回率和F1得分方面达到了最先进的性能。结论:我们证明了将多种模型组合用于BioNER的益处。我们的模型成功地减少了错误分类的实体的数量,并通过利用为不同实体类型注释的多个数据集来提高性能。鉴于我们的模型的最先进的性能,我们相信CollaboNet可以提高下游生物医学文本挖掘应用程序,如生物实体关系抽取的准确性。
2019-05-29 cs.CL cs.LG
SpanProto: A Two-stage Span-based Prototypical Network for Few-shot Named Entity Recognition
East China Normal University(华东师范大学);Alibaba Group(阿里巴巴集团)
Few-Shot命名实体识别(NER)的目标是用很少的注释数据来识别命名实体。以往的分类方法都是基于标记分类的,忽略了实体边界的信息,不可避免地会受到大量非实体标记的影响。为此,我们提出了一个开创性的基于跨度的原型网络(SpanProto),通过两个阶段的方法,包括跨度提取和提及分类,解决了Few-Shot NER。在跨度提取阶段,我们将序列标签转换为全局边界矩阵,使模型能够专注于显式的边界信息。对于提及分类,我们利用原型学习来捕获每个标记跨度的语义表示,并使模型更好地适应新类别实体。为了进一步提高模型性能,我们将跨度提取器生成的但未在当前事件集中标记的假阳性分离出来,然后提出一个基于边缘的损失来将它们与每个原型区域分开。在多个基准测试上的实验表明,我们的模型在很大程度上优于强基线。
2022-11-21 cs.CL
The Integration of Semantic and Structural Knowledge in Knowledge Graph Entity Typing
The Chinese University of Hong Kong(香港中文大学)
针对知识图谱实体类型划分任务忽视语义知识及假阴性问题,提出融合语义与结构知识的SSET框架,通过语义编码、结构聚合和无监督重排三模块显著提升预测性能。
2024-04-12 cs.AI cs.CL
HAMNER: Headword Amplified Multi-span Distantly Supervised Method for Domain Specific Named Entity Recognition
University of New South Wales(新南威尔士大学);Dongguan University of Technology(东莞理工学院);National University of Defence Technology(国防科技大学)
为了解决命名实体识别(NER)任务,监督方法需要获得足够的干净的注释数据,这是劳动和时间消耗。相反,远程监督方法使用字典自动获取注释数据,以减轻这一要求。不幸的是,词典阻碍了远距离监督方法的有效性,因为它的覆盖范围有限,特别是在特定的领域。在本文中,我们针对字典使用的局限性,并提到边界检测。我们推广了远程监督扩展字典与基于中心词的非精确匹配。我们应用一个函数来更好地加权匹配的实体提及。我们提出了一个跨度级别的模型,它分类所有可能的跨度,然后推断出所选择的跨度与建议的动态规划算法。在所有三个基准数据集上的实验表明,我们的方法优于以前最先进的远程监督方法。
2019-12-03 cs.CL
GUMBridge: a Corpus for Varieties of Bridging Anaphora
GUMBridge是一个包含16种英语体裁的语料库,旨在提供对桥接指代现象的广泛覆盖和细粒度注释,并评估了大语言模型在桥接解析和分类任务中的表现。
2026-03-02 cs.CL
YoNER: A New Yorùbá Multi-domain Named Entity Recognition Dataset
University of Ibadan(伊巴丹大学);Saarland University(萨尔大学);Atiba University(阿提巴大学);Mila - Quebec AI Institute(Mila - 魁北克人工智能研究所);McGill University(麦吉尔大学);Canada CIFAR AI Chair(加拿大CIFAR人工智能主席)
本文提出YoNER数据集,用于扩展约鲁巴语言的多领域命名实体识别,通过跨领域实验评估模型性能,并引入OyoBERT模型提升领域内表现。
2026-04-07 cs.CL
Entity Cloze By Date: What LMs Know About Unseen Entities
The University of Texas at Austin(德克萨斯大学奥斯汀分校)
语言模型(LM)通常在大规模语料库上训练一次,并使用多年而不更新。然而,在一个动态的世界中,新的实体不断出现。我们提出了一个框架来分析什么样的LM可以推断新的实体,不存在时,LM预训练。我们得到一个实体的数据集,按其起源日期进行索引,并与他们的英文维基百科文章配对,从中我们可以找到关于每个实体的句子。我们在这些句子中的掩蔽跨度上评估LM的困惑。我们表明,模型更了解的实体,如那些访问它们的文本定义,实现较低的困惑在这个基准。我们的实验结果表明,新的实体的推断仍然很难LM。鉴于其广泛的覆盖面的实体知识和时间索引,我们的数据集可以用来评估LM和技术,旨在修改或扩展他们的知识。我们的自动数据汇集管道可以轻松地用于不断更新我们的基准。
2022-05-05 cs.CL
Boosting Entity Mention Detection for Targetted Twitter Streams with Global Contextual Embeddings
Binghamton University(宾汉姆顿大学);Temple University(天普大学)
像Twitter这样的微博客网站已经成为无处不在的信息来源。微博信息自动提取和分析的两个重要任务是实体提及检测和实体检测。最先进的EMD系统旨在通过在离线静态数据集上训练来对微博文本的非文学性质进行建模。它们从单个消息中提取表面级特征(拼写、词汇和语义)的组合,用于噪声文本建模和实体提取。但是,鉴于微博流的不断发展的性质,从这种变化但有限的短消息上下文中检测所有实体提及仍然是一个困难的问题。为此,我们提出了一个名为EMD Globalizer的框架,更适合于EMD学习者在微博流上的执行。它偏离了现有EMD系统对孤立微博消息的处理,在现有EMD系统中,从消息的直接上下文中学习到的知识用于建议实体。在EMD系统初始提取实体候选者之后,所提出的框架利用发生挖掘来找到在第一次检测期间错过的其他候选者提及。聚合这些提及的局部上下文表示,从流内的实体候选的集体上下文中提取全局嵌入。然后,利用全局嵌入将候选者中的实体与误报分离。流中提到的所有实体都在框架的最终输出中产生。我们的实验表明,EMD Globalizer可以提高我们测试的所有现有EMD系统的有效性(平均提高25.61%),只需少量额外的计算开销。
2022-01-28 cs.CL
Constraint Multi-class Positive and Unlabeled Learning for Distantly Supervised Named Entity Recognition
University of Science and Technology of China(中国科学技术大学);School of Management(管理学院);School of Data Science(数据科学学院)
本文提出约束多类正样本与无标签学习(CMPU)方法,通过在风险估计器中引入约束因子缓解远程监督命名实体识别中的假阴性问题,并在两个基准数据集上验证了其优于现有方法的性能。
2025-04-07 cs.CL
Distantly Supervised Named Entity Recognition via Confidence-Based Multi-Class Positive and Unlabeled Learning
Iowa State University(爱荷华州立大学)
本文研究了远程监控下的命名实体识别问题。由于外部字典和/或知识库的不完整性,这种远距离注释的训练数据通常遭受高的假阴性率。为此,我们制定了远程监督NER(DS-NER)的问题,通过多类积极和无标签(MPU)学习,并提出了一种理论和实践上新颖的CONFidence-based MPU(Conf-MPU)的方法。为了处理不完整的注释,Conf-MPU包括两个步骤。首先,为作为实体令牌的每个令牌估计置信度分数。然后,建议Conf-MPU风险估计训练一个多类分类器的NER任务。在两个由各种外部知识标记的基准数据集上的实验表明,所提出的Conf-MPU比现有的DS-NER方法的优越性。
2022-03-03 cs.CL cs.LG
From Ultra-Fine to Fine: Fine-tuning Ultra-Fine Entity Typing Models to Fine-grained
Nanjing University of Aeronautics and Astronautics(南京航空航天大学);South China University of Technology(华南理工大学)
本文提出先用超细实体类型数据训练广覆盖模型,再以少量新类型模式标注样本微调,从而在少样本 FET 中超越弱监督方法。
2023-12-11 cs.CL
ENEIDE: A High Quality Silver Standard Dataset for Named Entity Recognition and Linking in Historical Italian
ENEIDE是首个公开的多领域历史意大利语NERL数据集,包含2111个文档和8000多个实体标注,通过半自动方法提取,用于评估命名实体识别与链接的挑战及模型性能差距。
2026-03-31 cs.CL
Improving Distantly-supervised Entity Typing with Compact Latent Space Clustering
Zhejiang University(浙江大学);University of Illinois at Urbana Champaign(伊利诺伊大学厄巴纳-香槟分校);iFLYTEK Research(科大讯飞研究院);University of Southern California(南加州大学)
近年来,远程监控技术在细粒度实体分类(FET)方面取得了巨大的成功。尽管它在减少手动标记工作方面效率很高,但它也带来了处理错误实体类型标签的挑战,因为远程监督以上下文不可知的方式分配标签。现有的工作缓解了这个问题,部分标签损失,但通常遭受确认偏差,这意味着分类器适合自己给定的伪数据分布。在这项工作中,我们建议使用紧凑潜在空间聚类(CLSC)来正则化远程监督模型,以绕过这个问题并有效地利用噪声数据。我们提出的方法首先动态地构建不同实体提及的相似性图,通过标签传播来推断噪声实例的标签。基于推断的标签,提及嵌入相应地更新,以鼓励具有接近语义的实体提及在嵌入空间中形成紧凑的聚类,从而导致更好的分类性能。在标准基准测试上进行的大量实验表明,我们的CLSC模型始终优于最先进的远程监督实体类型系统。
2019-04-13 cs.AI cs.CL
Uncertainty Quantification for Named Entity Recognition via Full-Sequence and Subsequence Conformal Prediction
North Carolina State University(北卡罗来纳州立大学);Pacific Northwest National Laboratory(太平洋西北国家实验室)
本文提出了一种基于置信预测的方法,用于在命名实体识别中生成具有不确定性的预测集,以提高模型预测的可靠性。
2026-01-13 cs.CL cs.LG stat.ML
Conformal Prediction for Risk-Controlled Medical Entity Extraction Across Clinical Domains
Department of Computer Science, Drexel University(计算机科学系,德雷塞尔大学)
本文提出一种符合预测框架,用于多临床领域医疗实体提取,发现模型在不同领域中校准方向不同,需根据文档结构和任务需求调整阈值以确保安全部署。
2026-03-09 cs.AI cs.CL
Increasing Coverage and Precision of Textual Information in Multilingual Knowledge Graphs
Sapienza University of Rome(罗马第一大学);Apple(苹果公司);University of Calgary(卡尔加里大学)
本文提出自动知识图谱增强(KGE)任务,旨在弥合英语与非英语语言间文本信息的数量和质量差距,并引入无监督方法M-NTA结合机器翻译、网络搜索和大型语言模型生成高质量文本信息,同时发布了首个多语言人工策划基准WikiKGE-10。
2023-11-27 cs.AI cs.CL cs.LG
Custom Named Entity Recognition and Topic Classification for Global Health Publications
University of Geneva(日内瓦大学)
针对全球健康文献在资源受限下的NLP模型选择与调整问题,通过实验比较词向量、实体识别和主题分类方法,揭示了领域专业化与轻量调整的实用价值及Transformer高成本高精度的权衡,为知识系统构建提供实证依据。
2026-09-22 cs.AI cs.CL
PARCO: Phoneme-Augmented Robust Contextual ASR via Contrastive Entity Disambiguation
Graduate School of Informatics(信息科学研究生院);Nagoya University(名古屋大学);AI Lab(人工智能实验室);CyberAgent(CyberAgent公司);Information Technology Center(信息技术中心)
针对ASR系统在领域特定命名实体尤其是同音字识别上的难点,提出整合音素感知编码等模块的PARCO方法,通过对比实体检索消歧提升识别效果,在多数据集上显著优于基线且跨域鲁棒性强。
2025-09-04 cs.AI cs.CL cs.LG
GLiNER-BioMed: A Suite of Efficient Models for Open Biomedical Named Entity Recognition
Department of Radiology and Medical Informatics, Faculty of Medicine, University of Geneva(日内瓦大学医学院放射学与医学信息学系);Knowledgator Engineering(Knowledgator工程)
针对生物医学NER传统模型泛化性不足的问题,研究团队推出领域自适应的GLiNER-BioMed套件,通过LLM蒸馏生成合成数据、训练多规模双架构模型,在零/少样本场景下性能超越SOTA,相关资源已开源。
2025-05-20 cs.CL
BIBERT-Pipe on Biomedical Nested Named Entity Linking at BioASQ 2025
Individual Researcher(独立研究者)
针对生物医学嵌套多语言实体链接,提出保持原始EL模型不变的两阶段检索排序系统BIBERT-Pipe,通过边界线索和数据集增强,在BioNNE 2025多语言赛道获第三名。
2025-09-10 cs.CL
Towards Faithfulness in Open Domain Table-to-text Generation from an Entity-centric View
Peking University(北京大学);Chinese Academy of Sciences(中国科学院);University of Chinese Academy of Sciences(中国科学院大学);Pengcheng Laboratory(鹏城实验室)
在开放域表到文本生成中,我们注意到不忠实生成通常包含不能与任何输入表记录对齐的幻觉内容。因此,我们试图评估代忠诚度与两个实体为中心的指标:表记录覆盖率和幻觉实体的比例在文本中,这两个都被证明有很强的协议与人类的判断。然后基于这些指标,定量分析了训练数据质量与生成逼真度之间的相关性,指出了实体信息在忠实生成中的潜在用途。基于这些发现,我们提出了两种忠实生成方法:1)通过结合辅助实体信息进行增强训练,包括基于增强计划的模型和无监督模型; 2)基于忠实度排名的训练实例选择。我们表明,这些方法通过自动和人工评估提高了完整数据集设置和少样本学习设置中的生成保真度。
2021-02-17 cs.AI cs.CL
Cross-Domain Data Integration for Named Entity Disambiguation in Biomedical Text
Stanford University(斯坦福大学);Apple(苹果公司)
命名实体消歧(NED)涉及将文本提及映射到结构化实体,由于稀有实体的存在,在医学领域中特别具有挑战性。现有的方法受到生物医学知识库中粗粒度结构资源的存在以及训练数据集的使用的限制,这些训练数据集提供了对不常见资源的低覆盖率。在这项工作中,我们解决这些问题,提出了一个跨领域的数据集成方法,将结构知识从一般的文本知识库的医疗领域。我们利用我们的集成方案来增加结构资源,并生成一个大型的生物医学NED数据集进行预训练。我们注入结构知识的预训练模型在两个基准医学NED数据集上实现了最先进的性能:MedMentions和BC5CDR。此外,我们将稀有实体的消歧提高了57个准确点。
2021-10-15 cs.AI cs.CL
Improving Multilingual Named Entity Recognition with Wikipedia Entity Type Mapping
IBM T. J. Watson Research Center(IBM托马斯·J·沃森研究中心)
现有技术的命名实体识别(NER)系统是具有强泛化能力(即,可以基于词汇和上下文信息来识别未出现在训练数据中的不可见实体)。然而,如果模型的特征偏向于错误的实体类型,那么这样的模型仍然可能出错。在本文中,我们利用维基百科作为一个开放的知识库,以改善多语言NER系统。我们的方法的核心是高精度,高覆盖率的多语言维基百科实体类型映射的建设。这些映射是从弱注释的数据中构建的,可以扩展到新的语言,而不需要人工注释或语言相关的知识。基于这些映射,我们开发了几种方法来改善NER系统。我们评估的性能的方法,通过实验NER系统训练6种语言。实验结果表明,所提出的方法是有效的,在提高这样的系统上看不见的实体的准确性,特别是当一个系统被应用到一个新的领域或它是用很少的训练数据训练(高达18.3 F1分数改善)。
2017-07-08 cs.AI cs.CL cs.IR
TABi: Type-Aware Bi-Encoders for Open-Domain Entity Retrieval
Stanford University(斯坦福大学)
实体检索--在查询中检索有关实体提及的信息--是开放域任务(如问答或事实检查)中的关键步骤。然而,由于对流行实体的偏见,最先进的实体检索器难以检索模糊提及的稀有实体。在训练过程中描述知识图谱类型可以帮助克服流行度偏差,但存在几个挑战:(1)现有的基于类型的检索方法需要提及边界作为输入,但开放域任务在非结构化文本上运行,(2)基于类型的方法不应该损害整体性能,以及(3)基于类型的方法应该对噪声和缺失类型具有鲁棒性。在这项工作中,我们介绍了TABi,一种方法来共同训练双编码器上的知识图谱类型和非结构化文本的实体检索开放域的任务。TABi利用类型强制的对比损失来鼓励相似类型的实体和查询在嵌入空间中接近。TABi改进了Ambibrium Entity Retrieval(AmbER)集上稀有实体的检索,同时与最先进的检索器相比,在KILT基准测试中保持了开放域任务的强大整体检索性能。TABi对不完整的类型系统也很健壮,在训练数据集只有5%的类型覆盖率的情况下,改进了罕见实体检索。我们在https://github.com/HazyResearch/tabi上公开发布我们的代码。
2022-04-18 cs.CL cs.LG
Do LLMs Judge Distantly Supervised Named Entity Labels Well? Constructing the JudgeWEL Dataset
本文提出利用维基百科和维基数据构建卢森堡语NER数据集JudgeWEL,通过LLM自动标注和验证,生成更大规模且更平衡的实体覆盖数据集,为低资源语言研究提供新资源。
2026-03-12 cs.AI cs.CL
BANER: Boundary-Aware LLMs for Few-Shot Named Entity Recognition
University of Electronic Science and Technology of China(电子科技大学);Harbin Institute of Technology(哈尔滨工业大学);Nanyang Technological University(南洋理工大学)
针对少样本NER中错误跨度检测与实体原型未对齐问题,提出BANER,通过边界感知对比学习和LoRAHub跨域对齐提升LLM性能,并在多个基准和架构上验证有效。
2024-12-03 cs.AI cs.CL cs.LG
COTET: Cross-view Optimal Transport for Knowledge Graph Entity Typing
School of Computer and Information, Shanxi University(山西大学计算机与信息学院);School of Computer Science and Informatics, Cardiff University(卡迪夫大学计算机科学与信息学院);School of Informatics, University of Edinburgh(爱丁堡大学信息学院)
针对知识图谱实体类型推断,提出跨视图最优传输方法COTET,融合粗粒度聚类与细粒度类型知识,通过多视图编码、最优传输对齐和混合池化预测,有效提升推断性能。
2024-05-22 cs.AI cs.CL cs.LG
On Type-Aware Entity Retrieval
University of Stavanger(斯塔万格大学)
如今,响应于搜索查询而从知识库返回实体的实践已经变得普遍。实体的显著特征之一是它们是类型化的,即,被分配给某种层次结构组织的类型系统(类型分类法)。本文的主要目的是更好地了解如何在实体检索中利用实体类型信息。我们在一个理想化的“oracle”设置中执行此调查,假设我们知道给定查询的相关实体的目标类型的分布。我们进行了深入的分析三个主要方面:(i)类型分类的选择,(ii)层次类型信息的表示,(iii)在检索模型中的组合基于类型和基于术语的相似性。使用基于DBpedia的标准实体搜索测试集合,我们发现,当使用提供非常特定类型的大型类型分类法时,类型信息证明是最有用的。我们提供了进一步的见解实体的延伸覆盖范围和效用的目标类型。
2017-08-28 cs.AI cs.CL cs.IR
Neural Correction Model for Open-Domain Named Entity Recognition
Peking University(北京大学);University of California, Santa Barbara(加州大学圣巴巴拉分校);IBM Research(IBM研究院)
命名实体识别(NER)在自然语言处理任务中扮演着重要的角色,如关系抽取、问答等。然而,以往对NER的研究仅限于特定的体裁,使用小的人工标注或大的但低质量的数据集。与此同时,以前的数据集开放域NER,建立使用远程监督,遭受低精度,召回率和比率的注释标记(RAT)。在这项工作中,为了解决低精度和召回率问题,我们首先利用DBpedia作为远程监督的来源来注释维基百科的摘要,并设计一个用人类注释的NER数据集DocRED训练的神经校正模型来校正错误的实体标签。通过这种方式,我们构建了一个名为AnchorNER的大型高质量数据集,然后用它训练各种模型。为了解决以前数据集的低RAT问题,我们引入了一种多任务学习方法来利用上下文信息。我们在五个NER数据集上评估了我们的方法,我们的实验结果表明,使用AnchorNER训练的模型和我们的多任务学习方法在开放域环境中获得了最先进的性能。
2020-11-01 cs.CL cs.IR cs.LG
Named Entity Recognition Based Automatic Generation of Research Highlights
Jadavpur University(贾达布尔大学);Indian Association for the Cultivation of Science(印度科学培育协会);TCG CREST(TCG 克雷斯泰)
传统上,科学论文的前言是摘要,总结论文。最近,除了摘要之外,还出现了侧重于论文主要发现的研究亮点作为补充摘要。然而,亮点还不像摘要那样常见,并且在许多论文中都没有。在本文中,我们的目标是自动生成研究重点,使用不同的部分作为输入的研究论文。我们调查在输入上使用命名实体识别是否可以提高生成的亮点的质量。特别是,我们使用了两种基于深度学习的模型:第一种是指针生成器网络,第二种是用覆盖机制增强第一种模型。然后,我们用命名实体识别特征来增强上述每个模型。所提出的方法可以用来产生突出的文件与失踪的亮点。我们的实验表明,添加命名实体信息可以提高基于深度学习的摘要器在ROUGE、METEOR和BERTScore指标方面的性能。
2023-02-25 cs.AI cs.CL cs.LG
SANTA: Separate Strategies for Inaccurate and Incomplete Annotation Noise in Distantly-Supervised Named Entity Recognition
National Key Laboratory for Multimedia Information Processing, Peking University(国家多媒体信息处理重点实验室,北京大学);School of Software and Microelectronics, Peking University(软件与微电子学院,北京大学)
本文提出SANTA框架,针对远程监督命名实体识别中的不准确和不完整标注噪声分别采用定制策略,有效缓解了实体歧义和决策边界偏移问题,并在五个公开数据集上达到最先进水平。
2025-10-11 cs.AI cs.CL
Recent Advances in Named Entity Recognition: A Comprehensive Survey and Comparative Study
Centre Borelli(博雷利中心);Université Paris Cité(巴黎城市大学);Kernix Software(克尼克斯软件)
本文全面综述了命名实体识别的最新进展,涵盖Transformer、大型语言模型、强化学习与图方法,并针对标注稀缺数据集探讨专门方法,通过多数据集实验深入比较了主流算法的性能表现。
2024-12-20 cs.CL cs.LG
Incorporating Class-based Language Model for Named Entity Recognition in Factorized Neural Transducer
Shanghai Jiao Tong University(上海交通大学);Institute of Acoustics, CAS(中国科学院声学研究所);University of Chinese Academy of Sciences(中国科学院大学);Alibaba Group(阿里巴巴集团)
本文提出C-FNT模型,将基于类别的语言模型融入因子化神经转换器,通过关联名称类别而非表面形式来提升语音识别中的命名实体识别性能,在不损害普通词识别的前提下显著降低命名实体错误。
2024-06-08 cs.CL cs.SD eess.AS