一种用于不连续命名实体识别的高效基于转移的系统
计算与语言
2020-04-29 v1
摘要
与通用领域中广泛使用的命名实体识别（NER）数据集不同，生物医学 NER 数据集常包含由不连续片段组成的提及。传统的序列标注技术编码了马尔可夫假设，虽然高效但无法恢复这些提及。我们提出了一种简单、高效的基于转移的模型，采用通用神经编码用于不连续 NER。通过在三个生物医学数据集上的大量实验，我们表明该模型能有效识别不连续提及，且不牺牲对连续提及的识别精度。
引用
@article{arxiv.2004.13454,
title = {An Effective Transition-based Model for Discontinuous NER},
author = {Xiang Dai and Sarvnaz Karimi and Ben Hachey and Cecile Paris},
journal= {arXiv preprint arXiv:2004.13454},
year = {2020}
}
备注
ACL 2020