IP屬地：浙江
-
關(guān)于實體識別中數(shù)據(jù)增強(qiáng)的實踐
對命名實體識別任務(wù)(NER)進(jìn)行數(shù)據(jù)增強(qiáng)，不像對分類任務(wù)容易，其主要原因它是序列標(biāo)注任務(wù)，識別是token級別。一些常見的方法，如隨機(jī)刪除或替換...
-
使用框嵌入(box embedding)進(jìn)行細(xì)粒度實體類型識別1、研究出發(fā)點 本次分享一篇有關(guān)embedding的文章，來自2021年ACL的paper《Modeling Fine-Grained Enti...
-
利用對比學(xué)習(xí)來提升采樣質(zhì)量Introduction 今天分享一篇來自2021年NIPS會議的paper：Improving Contrastive Learning on...
-
一種基于表格填充的關(guān)系抽取方法1 前言 關(guān)于關(guān)系抽取(三元組抽取)的方法有很多，傳統(tǒng)的方法采用pipeline方法——先識別文本中所有實體，然后在對識別的實體對遍歷判斷關(guān)系類...
-
基于語義負(fù)樣本的對比學(xué)習(xí)來提升自然語言理解前言 這兩年對比學(xué)習(xí)是一個研究熱點，今年的ACL會議有16篇關(guān)于對比學(xué)習(xí)的paper，今天分享其中的一篇——基于語義負(fù)樣本的對比學(xué)習(xí)來提升自然語...
-
關(guān)于數(shù)據(jù)增強(qiáng)中如何合成高質(zhì)量樣本1 前言 在NLP領(lǐng)域中，數(shù)據(jù)增強(qiáng)(data augmentation)已成為解決樣本不平衡( data imbalance)或訓(xùn)練數(shù)據(jù)不足等問...
-
2021年ACL會議關(guān)于命名實體識別的論文匯總前言 命名實體識別(Named Entity Recognition，NER)一直是NLP中最主流，也是最基礎(chǔ)的任務(wù)之一。盡管傳統(tǒng)的機(jī)器學(xué)習(xí)方法...
-
一種挖掘文本中語義相似詞的方法1 前言 在自然語言處理工作(NLP)中，會遇到這樣的一個應(yīng)用問題：如何挖掘文本中某一關(guān)鍵詞的語義相似詞或近義詞？解決該問題的辦法很多，比如使用...
-
如何利用Bert處理長文本1 前言 預(yù)訓(xùn)練模型Bert能處理最大序列長度為512，當(dāng)面對長文本(文檔級別)時候，通常是采用text truncation或者sliding...