論文の概要: Named Entity Recognition in the Legal Domain using a Pointer Generator Network

• arxiv url: http://arxiv.org/abs/2012.09936v1
• Date: Thu, 17 Dec 2020 21:10:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-02 07:35:32.170850
• Title: Named Entity Recognition in the Legal Domain using a Pointer Generator Network
• Title（参考訳）: ポインタージェネレータネットワークを用いた法域における名前付きエンティティ認識
• Authors: Stavroula Skylaki, Ali Oskooei, Omar Bari, Nadja Herger, Zac Kriegman (Thomson Reuters Labs)
• Abstract要約: 我々は, 訴訟のPDFファイルからノイズテキストを抽出し, 法的NERの問題点を米国裁判所から調査した。 テキスト内のエンティティの正確な位置は不明で、エンティティはタイプミスやOCRミスを含む可能性がある。 nerタスクをテキストからテキストへのシーケンス生成タスクとして定式化し、ポインタ生成ネットワークを訓練して文書内のエンティティを生成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Named Entity Recognition (NER) is the task of identifying and classifying named entities in unstructured text. In the legal domain, named entities of interest may include the case parties, judges, names of courts, case numbers, references to laws etc. We study the problem of legal NER with noisy text extracted from PDF files of filed court cases from US courts. The "gold standard" training data for NER systems provide annotation for each token of the text with the corresponding entity or non-entity label. We work with only partially complete training data, which differ from the gold standard NER data in that the exact location of the entities in the text is unknown and the entities may contain typos and/or OCR mistakes. To overcome the challenges of our noisy training data, e.g. text extraction errors and/or typos and unknown label indices, we formulate the NER task as a text-to-text sequence generation task and train a pointer generator network to generate the entities in the document rather than label them. We show that the pointer generator can be effective for NER in the absence of gold standard data and outperforms the common NER neural network architectures in long legal documents.
• Abstract（参考訳）: 名前付きエンティティ認識(NER)は、名前付きエンティティを非構造化テキストで識別し分類するタスクである。 法領域において,利害関係者は,当事者,裁判官,裁判所の名称,事件番号,法律への言及を含むことができる。 我々は, 訴訟のPDFファイルからノイズテキストを抽出し, 法的NERの問題点を米国裁判所から調査した。 NERシステムの「ゴールドスタンダード」トレーニングデータは、テキストの各トークンに対応するエンティティまたは非エンティティラベルのアノテーションを提供する。 文章中のエンティティの正確な位置が不明で、エンティティがタイプミスやocrミスを含む可能性があるという点で、gold標準nerデータとは異なる部分的な完全なトレーニングデータのみを扱う。 ノイズの多いトレーニングデータの課題を克服するためです テキスト抽出エラーおよび/またはタイプミスおよび未知ラベルインデックスは、nerタスクをテキストからテキストへのシーケンス生成タスクとして定式化し、ポインタ生成ネットワークを訓練して文書内のエンティティを生成する。 金標準データがない場合、ポインタジェネレータはNERに有効であり、長い法律文書において一般的なNERニューラルネットワークアーキテクチャよりも優れていることを示す。

関連論文リスト

• Learning Robust Named Entity Recognizers From Noisy Data With Retrieval Augmentation [67.89838237013078]
  名前付きエンティティ認識(NER)モデルは、しばしばノイズの多い入力に悩まされる。 ノイズの多いテキストとそのNERラベルのみを利用できる、より現実的な設定を提案する。 我々は、推論中にテキストを取得することなく、堅牢なNERを改善するマルチビュートレーニングフレームワークを採用している。
  論文  参考訳（メタデータ） (2024-07-26T07:30:41Z)
• A Boundary Offset Prediction Network for Named Entity Recognition [9.885278527023532]
  名前付きエンティティ認識(NER)は、名前付きエンティティをテキストで識別し分類することを目的とした自然言語処理の基本的なタスクである。 そこで我々は,NERの新たな手法である境界オフセット予測ネットワーク(BOPN)を提案する。 本手法では,エンティティ型を検出対象として使用する代わりに,エンティティ型とスパン表現を統合して,型認識境界オフセットを生成する。
  論文  参考訳（メタデータ） (2023-10-23T05:04:07Z)
• Named Entity Recognition via Machine Reading Comprehension: A Multi-Task Learning Approach [50.12455129619845]
  Named Entity Recognition (NER) は、テキスト内のエンティティの参照を事前に定義された型に抽出し、分類することを目的としている。 我々は,MRCベースのNERを改善するために,エンティティタイプ間のラベル依存性をマルチタスク学習フレームワークに組み込むことを提案する。
  論文  参考訳（メタデータ） (2023-09-20T03:15:05Z)
• TransDocAnalyser: A Framework for Offline Semi-structured Handwritten Document Analysis in the Legal Domain [3.5018563401895455]
  最初の半構造化文書解析データセットを法域内に構築する。 このデータセットは、多種多様な手書きテキストと印刷テキストを組み合わせる。 本稿では,手書き半構造化文書のオフライン処理のためのエンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-03T15:56:30Z)
• GPT-NER: Named Entity Recognition via Large Language Models [58.609582116612934]
  GPT-NERはシーケンスラベリングタスクを言語モデルで容易に適用可能な生成タスクに変換する。 GPT-NERは、トレーニングデータの量が極めて少ない場合、低リソースかつ少数ショットのセットアップにおいて、より優れた能力を示す。 これは、ラベル付きサンプルの数が限られている実世界のNERアプリケーションにおけるGPT-NERの機能を示す。
  論文  参考訳（メタデータ） (2023-04-20T16:17:26Z)
• 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)
• Dynamic Named Entity Recognition [5.9401550252715865]
  動的名前付きエンティティ認識(DNER)という新しいタスクを紹介します。 DNERは、コンテキストを利用してエンティティを抽出するアルゴリズムの能力を評価するためのフレームワークを提供する。 本稿では,本課題に関連する課題と研究軸を反映したベースラインモデルと実験結果について述べる。
  論文  参考訳（メタデータ） (2023-02-16T15:50:02Z)
• E-NER -- An Annotated Named Entity Recognition Corpus of Legal Text [1.6221439565760059]
  我々は、米国証券取引委員会(SEC)のEDGARデータセットから入手可能な法律事務所の申請に基づいて、E-NERと呼ばれる公開可能な法的NERデータセットについて説明する。 一般的な英語コーパスであるCoNLL-2003コーパス上で,多数の異なるNERアルゴリズムを訓練した。
  論文  参考訳（メタデータ） (2022-12-19T09:03:32Z)
• Optimizing Bi-Encoder for Named Entity Recognition via Contrastive Learning [80.36076044023581]
  名前付きエンティティ認識(NER)のための効率的なバイエンコーダフレームワークを提案する。 我々はNERを、エンティティ参照のベクトル表現とその型との類似性を最大化する計量学習問題とみなす。 NERのこのバイエンコーダの定式化における大きな課題は、エンティティの言及から非エンゲージスを分離することにある。
  論文  参考訳（メタデータ） (2022-08-30T23:19:04Z)
• Label Semantics for Few Shot Named Entity Recognition [68.01364012546402]
  名前付きエンティティ認識におけるショットラーニングの問題について検討する。 我々は,ラベル名中の意味情報を,モデルに付加的な信号を与え,よりリッチな事前情報を与える手段として活用する。 本モデルは,第1エンコーダによって計算された名前付きエンティティの表現と,第2エンコーダによって計算されたラベル表現とを一致させることを学習する。
  論文  参考訳（メタデータ） (2022-03-16T23:21:05Z)
• DEXTER: Deep Encoding of External Knowledge for Named Entity Recognition in Virtual Assistants [10.500933545429202]
  NERが重要なコンポーネントであるインテリジェント音声アシスタントでは、ユーザや音声認識エラーのため、NERへの入力がうるさい場合がある。 これらの問題に対処するためのNERシステムについて述べる。 本手法は, セマンティック解析などの関連タスクを改善し, エラー率を最大5%向上することを示す。
  論文  参考訳（メタデータ） (2021-08-15T00:14:47Z)

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。