論文の概要: Propose-and-Refine: A Two-Stage Set Prediction Network for Nested Named Entity Recognition

• arxiv url: http://arxiv.org/abs/2204.12732v1
• Date: Wed, 27 Apr 2022 06:58:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-28 13:33:46.567874
• Title: Propose-and-Refine: A Two-Stage Set Prediction Network for Nested Named Entity Recognition
• Title（参考訳）: Propose-and-Refine:Nested Named Entity Recognitionのための2段階セット予測ネットワーク
• Authors: Shuhui Wu, Yongliang Shen, Zeqi Tan, Weiming Lu
• Abstract要約: ネストしたNERのための2段階セット予測ネットワークであるPropose-and-Refine Network(PnRNet)を提案する。 提案段階では,大まかなエンティティ予測をエンティティ提案として生成するために,スパンベースの予測器を用いる。 洗練された段階では、提案は相互に相互作用し、よりリッチな文脈情報を提案表現に組み込む。 PnRNetは4つのネストされたNERデータセットと1つのフラットなNERデータセットで最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 13.010064498077863
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nested named entity recognition (nested NER) is a fundamental task in natural language processing. Various span-based methods have been proposed to detect nested entities with span representations. However, span-based methods do not consider the relationship between a span and other entities or phrases, which is helpful in the NER task. Besides, span-based methods have trouble predicting long entities due to limited span enumeration length. To mitigate these issues, we present the Propose-and-Refine Network (PnRNet), a two-stage set prediction network for nested NER. In the propose stage, we use a span-based predictor to generate some coarse entity predictions as entity proposals. In the refine stage, proposals interact with each other, and richer contextual information is incorporated into the proposal representations. The refined proposal representations are used to re-predict entity boundaries and classes. In this way, errors in coarse proposals can be eliminated, and the boundary prediction is no longer constrained by the span enumeration length limitation. Additionally, we build multi-scale sentence representations, which better model the hierarchical structure of sentences and provide richer contextual information than token-level representations. Experiments show that PnRNet achieves state-of-the-art performance on four nested NER datasets and one flat NER dataset.
• Abstract（参考訳）: Nested Name entity recognition (nested NER)は自然言語処理における基本的なタスクである。 スパン表現を持つネストされたエンティティを検出するために、スパンベースの様々な方法が提案されている。 しかしながら、スパンベースの手法では、スパンと他のエンティティやフレーズの関係を考慮せず、nerタスクで役に立ちます。 さらに、スパンベースの手法は列挙長の制限により長いエンティティを予測するのに苦労する。 そこで本研究では,ネストナーのための2段階セット予測ネットワークであるsuggested-and-refine network (pnrnet)を提案する。 提案段階では,大まかなエンティティ予測をエンティティ提案として生成するために,スパンベースの予測器を用いる。 洗練された段階では、提案は相互に相互作用し、よりリッチな文脈情報を提案表現に組み込む。 洗練された提案表現はエンティティ境界とクラスの再予測に使用される。 このようにして、粗い提案における誤差を排除でき、境界予測はスパン列挙長制限によってもはや制約されない。 さらに,文の階層構造をモデル化し,トークンレベルの表現よりも豊かな文脈情報を提供するマルチスケール文表現を構築した。 PnRNetは4つのネストされたNERデータセットと1つのフラットなNERデータセットで最先端のパフォーマンスを実現する。

関連論文リスト

• ACE: A Generative Cross-Modal Retrieval Framework with Coarse-To-Fine Semantic Modeling [53.97609687516371]
  我々は、エンドツーエンドのクロスモーダル検索のための先駆的なジェネリッククロスモーダル rEtrieval framework (ACE) を提案する。 ACEは、クロスモーダル検索における最先端のパフォーマンスを達成し、Recall@1の強いベースラインを平均15.27%上回る。
  論文  参考訳（メタデータ） (2024-06-25T12:47:04Z)
• 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)
• NERetrieve: Dataset for Next Generation Named Entity Recognition and Retrieval [49.827932299460514]
  我々は、大きな言語モデルによって提供される能力は、NER研究の終わりではなく、むしろエキサイティングな始まりであると主張する。 我々は、NERタスクの3つの変種と、それらをサポートするデータセットを示す。 500のエンティティタイプをカバーする400万段落の,大規模で銀の注釈付きコーパスを提供する。
  論文  参考訳（メタデータ） (2023-10-22T12:23:00Z)
• 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)
• PromptNER: A Prompting Method for Few-shot Named Entity Recognition via k Nearest Neighbor Search [56.81939214465558]
  本稿では,近距離探索による数発NERの新規プロンプト法であるPromptNERを提案する。 我々は、エンティティカテゴリ情報を含むプロンプトを使用してラベルのプロトタイプを構築する。 Few-NERDデータセットとCrossNERデータセットの広範な実験により,本モデルが最先端手法よりも優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-05-20T15:47:59Z)
• Enriching Relation Extraction with OpenIE [70.52564277675056]
  関係抽出(RE)は情報抽出(IE)のサブ分野である 本稿では,オープン情報抽出(OpenIE)の最近の取り組みがREの課題の改善にどのように役立つかを検討する。 本稿では,2つの注釈付きコーパスであるKnowledgeNetとFewRelを用いた実験により,拡張モデルの精度向上を実証した。
  論文  参考訳（メタデータ） (2022-12-19T11:26:23Z)
• SpanProto: A Two-stage Span-based Prototypical Network for Few-shot Named Entity Recognition [45.012327072558975]
  名前付きエンティティ認識(NER)は、アノテーション付きデータが少ない名前付きエンティティを識別することを目的としている。 そこで本研究では,2段階のアプローチを用いて,数発のNERに対処するセミナルスパンベースプロトタイプネットワーク(SpanProto)を提案する。 スパン抽出の段階では、逐次タグを大域境界行列に変換し、モデルが明示的な境界情報に集中できるようにする。 分類に言及するために、原型学習を活用してラベル付きスパンのセマンティック表現をキャプチャし、新しいクラスエンティティへの適応性を向上する。
  論文  参考訳（メタデータ） (2022-10-17T12:59:33Z)
• InstructionNER: A Multi-Task Instruction-Based Generative Framework for Few-shot NER [31.32381919473188]
  InstructionNERというマルチタスク命令ベースの生成フレームワークを提案する。 具体的には、NERタスクを生成問題として再構成し、タスク固有の命令と回答オプションでソース文を豊かにし、自然言語のエンティティと型を推論する。 実験結果から,本手法は5つのデータセットのベースラインを数ショット設定で一貫的に上回っていることがわかった。
  論文  参考訳（メタデータ） (2022-03-08T07:56:36Z)
• A Sequence-to-Set Network for Nested Named Entity Recognition [38.05786148160635]
  ネストNERのための新しいシーケンス・ツー・セットニューラルネットワークを提案する。 我々は、非自己回帰デコーダを使用して、1回のパスで最終的なエンティティセットを予測する。 実験により, ネストした3つのNERコーパスに対して, 提案モデルが最先端となることを示す。
  論文  参考訳（メタデータ） (2021-05-19T03:10:04Z)
• Locate and Label: A Two-stage Identifier for Nested Named Entity Recognition [9.809157050048375]
  名前付きエンティティ認識のための2段階エンティティ識別子を提案する。 まず、シードスパンのフィルタリングと境界回帰によってスパン提案を生成し、エンティティの特定を行い、それに対応するカテゴリで境界調整スパン提案をラベル付けする。 本手法は,訓練中のエンティティの境界情報と部分マッチングスパンを効果的に活用する。
  論文  参考訳（メタデータ） (2021-05-14T12:52:34Z)
• VL-NMS: Breaking Proposal Bottlenecks in Two-Stage Visual-Language Matching [75.71523183166799]
  マルチモーダル入力をマッチングするための一般的なフレームワークは、2段階のプロセスに基づいている。 これらの手法は、2つの段階における提案の役割間の明らかな不一致を見落としていると論じる。 今回提案するVL-NMSは、問い合わせ対応の提案を第一段階に行う最初の手法です。
  論文  参考訳（メタデータ） (2021-05-12T13:05:25Z)

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。