論文の概要: Improving Named Entity Recognition in Tor Darknet with Local Distance Neighbor Feature

• arxiv url: http://arxiv.org/abs/2005.08746v1
• Date: Mon, 18 May 2020 14:21:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 22:43:07.158468
• Title: Improving Named Entity Recognition in Tor Darknet with Local Distance Neighbor Feature
• Title（参考訳）: 局所距離近傍特徴を持つTorダークネットにおける名前付きエンティティ認識の改善
• Authors: Mhd Wesam Al-Nabki, Francisco Ja\~nez-Martino, Roberto A. Vasco-Carofilis, Eduardo Fidalgo, Javier Velasco-Mata
• Abstract要約: 本稿では,ガゼッタを代用するローカルディスタンスニーバー(Local Distance Neighbor)という新機能を提案する。 We test the new approach on the W-NUT-2017 dataset, a state-of-the-art results for the Group, Person and Product categories of Named Entities。 我々の提案では,この拡張データセットにおいて,エンティティとサーフェスF1スコア52.96%,50.57%を達成し,Torシークレットサービス内の名前付きエンティティを検出するための法執行機関の有用性を実証した。
• 参考スコア（独自算出の注目度）: 2.3886615435250302
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Name entity recognition in noisy user-generated texts is a difficult task usually enhanced by incorporating an external resource of information, such as gazetteers. However, gazetteers are task-specific, and they are expensive to build and maintain. This paper adopts and improves the approach of Aguilar et al. by presenting a novel feature, called Local Distance Neighbor, which substitutes gazetteers. We tested the new approach on the W-NUT-2017 dataset, obtaining state-of-the-art results for the Group, Person and Product categories of Named Entities. Next, we added 851 manually labeled samples to the W-NUT-2017 dataset to account for named entities in the Tor Darknet related to weapons and drug selling. Finally, our proposal achieved an entity and surface F1 scores of 52.96% and 50.57% on this extended dataset, demonstrating its usefulness for Law Enforcement Agencies to detect named entities in the Tor hidden services.
• Abstract（参考訳）: 騒がしいユーザ生成テキストにおける名前のエンティティ認識は、通常、ガゼッタのような外部の情報資源を組み込むことによって強化される難しい作業である。 しかし、ガゼッタはタスク特有であり、構築やメンテナンスには費用がかかる。 本稿では,ガゼットを代替する「ローカル距離近傍」という新しい特徴を提示することで,アギラーらのアプローチを取り入れ,改善する。 我々は、w-nut-2017データセットで新しいアプローチをテストし、名前付きエンティティのグループ、人、製品カテゴリの最先端の結果を得た。 次に、W-NUT-2017データセットに手動でラベル付けされたサンプル851を加え、武器やドラッグ販売に関連するTor Darknetの名前を冠したエンティティを考慮に入れました。 最後に、この拡張データセットでエンティティとsurface f1スコアの52.96%と50.57%を達成し、法執行機関がtor隠れたサービスの中で名前付きエンティティを検出するのに役立つことを示した。

関連論文リスト

• Entity6K: A Large Open-Domain Evaluation Dataset for Real-World Entity Recognition [100.39728263079736]
  実世界のエンティティ認識のための包括的なデータセットであるEntity6Kを紹介する。 26のカテゴリに5700のエンティティがあり、それぞれがアノテーション付きの5つの人間認証イメージによってサポートされている。
  論文  参考訳（メタデータ） (2024-03-19T01:07:53Z)
• Disambiguation of Company names via Deep Recurrent Networks [101.90357454833845]
  企業名文字列の埋め込みである教師付き学習を通じて,Siamese LSTM Network を抽出する手法を提案する。 私たちは、ラベル付けされるサンプルを優先するActive Learningアプローチが、より効率的な全体的な学習パイプラインをもたらす方法を分析します。
  論文  参考訳（メタデータ） (2023-03-07T15:07:57Z)
• GlobalNER: Incorporating Non-local Information into Named Entity Recognition [5.469841541565308]
  本研究は,特にNERにおいて,DNNに基づくクエリ生成手法とBERTScoreに基づく参照型再ランクアーキテクチャの有効性を示す。 最終的に、WNUT17データセット上の61.56マイクロf1スコアの最先端のパフォーマンスが達成される。
  論文  参考訳（メタデータ） (2023-03-06T06:20:55Z)
• The Fellowship of the Authors: Disambiguating Names from Social Network Context [2.3605348648054454]
  各エンティティに関する広範なテキスト記述を持つオーソリティリストは、欠落しており、曖昧な名前のエンティティである。 BERTをベースとした参照表現と,さまざまなグラフ誘導戦略を組み合わせて,教師付きクラスタ推論手法と教師なしクラスタ推論手法を実験する。 ドメイン内言語モデルの事前学習は,特により大きなコーパスに対して,参照表現を大幅に改善できることがわかった。
  論文  参考訳（メタデータ） (2022-08-31T21:51:55Z)
• Improving Candidate Retrieval with Entity Profile Generation for Wikidata Entity Linking [76.00737707718795]
  本稿では,エンティティ・プロファイリングに基づく新しい候補探索パラダイムを提案する。 我々は、このプロファイルを使用してインデックス付き検索エンジンに問い合わせ、候補エンティティを検索する。 本手法は,ウィキペディアのアンカーテキスト辞書を用いた従来の手法を補完するものである。
  論文  参考訳（メタデータ） (2022-02-27T17:38:53Z)
• MobIE: A German Dataset for Named Entity Recognition, Entity Linking and Relation Extraction in the Mobility Domain [76.21775236904185]
  データセットは3,232のソーシャルメディアテキストと91Kトークンによるトラフィックレポートで構成され、20.5Kアノテーション付きエンティティを含んでいる。 データセットのサブセットには,7つのモビリティ関連,n-ary関係型がアノテートされている。 私たちの知る限りでは、NER、EL、REのアノテーションを組み合わせた最初のドイツ語データセットです。
  論文  参考訳（メタデータ） (2021-08-16T08:21:50Z)
• Bootstrapping Named Entity Recognition in E-Commerce with Positive Unlabeled Learning [13.790883865748004]
  本稿では、ドメイン固有の言語機能を統合して、シード辞書を迅速かつ効率的に拡張するブートストラップ付き正非ラベル学習アルゴリズムを提案する。 このモデルは、製品記述の新しいデータセットで平均72.02%のF1スコアを達成し、ベースラインのBiLSTM分類器よりも3.63%改善した。
  論文  参考訳（メタデータ） (2020-05-22T09:35:30Z)
• Soft Gazetteers for Low-Resource Named Entity Recognition [78.00856159473393]
  本稿では、英語知識ベースからユビキタスに利用可能な情報をニューラル名付きエンティティ認識モデルに組み込む「ソフトガゼッタ」を提案する。 4つの低リソース言語に対する実験により,F1得点の4点の平均的改善が示された。
  論文  参考訳（メタデータ） (2020-05-04T21:58:02Z)
• Self-Attention Gazetteer Embeddings for Named-Entity Recognition [3.6138359403454854]
  GazSelfAttnは、自己アテンションとマッチスパンエンコーディングを使用して、拡張されたガゼテア埋め込みを構築する新しいガゼテア埋め込みアプローチである。 我々は、オープンソースのWikidataナレッジベースから、ガゼッタリソースを構築する方法を実証する。
  論文  参考訳（メタデータ） (2020-04-08T15:31:26Z)
• Zero-Resource Cross-Domain Named Entity Recognition [68.83177074227598]
  既存のドメイン名付きエンティティ認識モデルは、多くのラベルなしコーパスや、ターゲットドメイン内のラベル付きNERトレーニングデータに依存している。 外部リソースを一切使用しないドメイン間NERモデルを提案する。
  論文  参考訳（メタデータ） (2020-02-14T09:04:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。