論文の概要: Named Entity Recognition in Twitter: A Dataset and Analysis on Short-Term Temporal Shifts

• arxiv url: http://arxiv.org/abs/2210.03797v1
• Date: Fri, 7 Oct 2022 19:58:47 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-11 16:17:17.803869
• Title: Named Entity Recognition in Twitter: A Dataset and Analysis on Short-Term Temporal Shifts
• Title（参考訳）: twitterにおける名前付きエンティティ認識: 短期的時間変化に関するデータセットと分析
• Authors: Asahi Ushio and Leonardo Neves and Vitor Silva and Francesco Barbieri and Jose Camacho-Collados
• Abstract要約: 我々は、Twitterで最大のソーシャルメディアプラットフォームであるNERに焦点を当て、新しいNERデータセットであるTweetNER7を構築します。 データセットは、時間をかけてツイートを慎重に分散し、代表的トレンドをベースとして構築された。 特に、分析における重要な時間的側面として、NERモデルの短期的な劣化、言語モデルを異なる期間にわたって微調整する戦略、最近ラベル付けされたデータの欠如に代わるものとしての自己ラベル付けの3つに焦点をあてる。
• 参考スコア（独自算出の注目度）: 15.108940488494587
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent progress in language model pre-training has led to important improvements in Named Entity Recognition (NER). Nonetheless, this progress has been mainly tested in well-formatted documents such as news, Wikipedia, or scientific articles. In social media the landscape is different, in which it adds another layer of complexity due to its noisy and dynamic nature. In this paper, we focus on NER in Twitter, one of the largest social media platforms, and construct a new NER dataset, TweetNER7, which contains seven entity types annotated over 11,382 tweets from September 2019 to August 2021. The dataset was constructed by carefully distributing the tweets over time and taking representative trends as a basis. Along with the dataset, we provide a set of language model baselines and perform an analysis on the language model performance on the task, especially analyzing the impact of different time periods. In particular, we focus on three important temporal aspects in our analysis: short-term degradation of NER models over time, strategies to fine-tune a language model over different periods, and self-labeling as an alternative to lack of recently-labeled data. TweetNER7 is released publicly (https://huggingface.co/datasets/tner/tweetner7) along with the models fine-tuned on it (NER models have been integrated into TweetNLP and can be found athttps://github.com/asahi417/tner/tree/master/examples/tweetner7_paper).
• Abstract（参考訳）: 言語モデル事前学習の最近の進歩は、名前付きエンティティ認識(NER)の重要な改善につながっている。 それにもかかわらず、この進歩は主にニュース、ウィキペディア、科学記事などのよく文書化された文書でテストされている。 ソーシャルメディアでは、状況は異なり、ノイズとダイナミックな性質のために、別の複雑さの層が追加されている。 本稿では,大手ソーシャルメディアプラットフォームのひとつであるTwitterにおけるNERに注目し,2019年9月から2021年8月までの11,382件のツイートを注釈付けした7つのエンティティタイプを含む新しいNERデータセットTweetNER7を構築した。 データセットは、時間とともにツイートを慎重に分散し、代表的トレンドをベースとして構築された。 データセットとともに、言語モデルベースラインのセットを提供し、タスクにおける言語モデルパフォーマンスの分析を行い、特に異なる期間の影響を分析する。 特に,時間とともにnerモデルの短期的劣化,異なる期間にわたって言語モデルを微調整する戦略,最近ラベル付けされたデータ不足の代替として自己ラベル付けという,3つの重要な時間的側面に注目した。 TweetNER7は公開され(https://huggingface.co/datasets/tner/tweetner7)、それに微調整されたモデル(NERモデルはTweetNLPに統合され、https://github.com/asahi417/tner/master/examples/tweetner7_paperで見ることができる)。

関連論文リスト

• Tweet Insights: A Visualization Platform to Extract Temporal Insights from Twitter [19.591692602304494]
  本稿では,Twitterから得られた時系列データの大規模な収集について紹介する。 このデータは過去5年間に渡り、n-gramの頻度、類似性、感情、トピックの分布の変化を捉えている。 このデータの上に構築されたインタフェースは、時間的分析によって意味の変化を検出し、特徴付けることができる。
  論文  参考訳（メタデータ） (2023-08-04T05:39:26Z)
• Political Sentiment Analysis of Persian Tweets Using CNN-LSTM Model [0.356008609689971]
  ペルシャの政治ツイートの分析感情に機械学習とディープラーニングモデルを提案する。 ParsBERTの埋め込みによるディープラーニングは、機械学習よりも優れている。
  論文  参考訳（メタデータ） (2023-07-15T08:08:38Z)
• Ensemble Transfer Learning for Multilingual Coreference Resolution [60.409789753164944]
  非英語で作業する場合に頻繁に発生する問題は、注釈付きトレーニングデータの不足である。 我々は,様々なトランスファー学習技術を組み合わせた,シンプルだが効果的なアンサンブルベースのフレームワークを設計する。 また、ウィキペディアアンカーテキストを利用して、コア参照解決モデルをブートストラップする低コストのTL手法を提案する。
  論文  参考訳（メタデータ） (2023-01-22T18:22:55Z)
• A Generative Language Model for Few-shot Aspect-Based Sentiment Analysis [90.24921443175514]
  我々は、アスペクト項、カテゴリを抽出し、対応する極性を予測するアスペクトベースの感情分析に焦点を当てる。 本稿では,一方向の注意を伴う生成言語モデルを用いて,抽出タスクと予測タスクをシーケンス生成タスクに再構成することを提案する。 提案手法は,従来の最先端(BERTをベースとした)の性能を,数ショットとフルショットの設定において,大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-04-11T18:31:53Z)
• A Closer Look at Debiased Temporal Sentence Grounding in Videos: Dataset, Metric, and Approach [53.727460222955266]
  テンポラル・センテンス・グラウンディング・イン・ビデオ(TSGV)は、未編集のビデオに自然言語文を埋め込むことを目的としている。 最近の研究では、現在のベンチマークデータセットには明らかなモーメントアノテーションバイアスがあることが判明している。 偏りのあるデータセットによる膨らませ評価を緩和するため、基礎的リコールスコアを割引する新しい評価基準「dR@n,IoU@m」を導入する。
  論文  参考訳（メタデータ） (2022-03-10T08:58:18Z)
• Annotating the Tweebank Corpus on Named Entity Recognition and Building NLP Models for Social Media Analysis [12.871968485402084]
  Twitterメッセージ(つぶやき)のようなソーシャルメディアデータは、短い、騒々しく、口語的な性質のため、NLPシステムに特別な課題をもたらす。 我々は、Tweebank V2 (TB2) に基づく NER コーパスである Tweebank-NER を作成し、これらを用いて最先端の NLP モデルを訓練する。 将来のつぶやきNLP研究のために、データセットをリリースし、モデルを"既成の"方法で使用できるようにします。
  論文  参考訳（メタデータ） (2022-01-18T19:34:23Z)
• Exploiting BERT For Multimodal Target SentimentClassification Through Input Space Translation [75.82110684355979]
  オブジェクト認識変換器を用いて入力空間内の画像を変換する2ストリームモデルを提案する。 次に、翻訳を利用して、言語モデルに多モーダル情報を提供する補助文を構築する。 2つのマルチモーダルTwitterデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-08-03T18:02:38Z)
• Sentiment analysis in tweets: an assessment study from classical to modern text representation models [59.107260266206445]
  Twitterで公開された短いテキストは、豊富な情報源として大きな注目を集めている。 非公式な言語スタイルや騒々しい言語スタイルといったそれらの固有の特徴は、多くの自然言語処理(NLP)タスクに挑戦し続けている。 本研究では,22データセットの豊富なコレクションを用いて,ツイートに表される感情を識別する既存言語モデルの評価を行った。
  論文  参考訳（メタデータ） (2021-05-29T21:05:28Z)
• Few-NERD: A Few-Shot Named Entity Recognition Dataset [35.669024917327825]
  提案するFew-NERDは,8大きめの粒度と66大きめの粒度を持つ大規模人手用少数ショットNERデータセットである。 Few-NERDはウィキペディアの188,238文で構成され、4,601,160語が含まれ、それぞれが文脈または2段階のエンティティタイプの一部として注釈付けされている。
  論文  参考訳（メタデータ） (2021-05-16T15:53:17Z)
• RethinkCWS: Is Chinese Word Segmentation a Solved Task? [81.11161697133095]
  中国語の単語(CWS)システムの性能は、ディープニューラルネットワークの急速な発展とともに、徐々に高水準に達している。 本稿では、私たちが達成した事柄の株式を取得し、CWSタスクに残されている事柄を再考する。
  論文  参考訳（メタデータ） (2020-11-13T11:07:08Z)

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。