LLM-RM 在 SemEval-2023 任务 2 中的表现：基于 XLM-RoBERTa 的多语言复杂命名实体识别
LLM-RM at SemEval-2023 Task 2: Multilingual Complex NER using XLM-RoBERTa
AI总结：
本文针对多语言复杂命名实体识别任务，团队LLM-RM参与SemEval 2023任务2，通过在12种语言数据集上微调XLM-RoBERTa基础模型、利用其跨语言表示来解决该问题。
摘要：
命名实体识别（NER）是在句子的词元层面识别实体的任务。本文聚焦于解决多语言场景下的复杂命名实体识别任务。我们的团队 LLM-RM 参与了近期举办的 SemEval 2023 任务2：MultiCoNER II（多语言复杂命名实体识别）。我们通过利用跨语言表示来解决该问题，具体是在提供的全部12种语言——孟加拉语、中文、英语、波斯语、法语、德语、印地语、意大利语、葡萄牙语、西班牙语、瑞典语和乌克兰语——的数据集上微调 XLM-RoBERTa 基础模型。
英文摘要：
Named Entity Recognition(NER) is a task of recognizing entities at a token level in a sentence. This paper focuses on solving NER tasks in a multilingual setting for complex named entities. Our team, LLM-RM participated in the recently organized SemEval 2023 task, Task 2: MultiCoNER II,Multilingual Complex Named Entity Recognition. We approach the problem by leveraging cross-lingual representation provided by fine-tuning XLM-Roberta base model on datasets of all of the 12 languages provided -- Bangla, Chinese, English, Farsi, French, German, Hindi, Italian, Portuguese, Spanish, Swedish and Ukrainian
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
