基于上下文词表示的多任务学习用于扩展命名实体识别
计算与语言
2019-02-27 v1
摘要
细粒度命名实体识别（FG-NER）对许多 NLP 应用至关重要。尽管经典命名实体识别（NER）已吸引大量研究，FG-NER 仍是一个开放的研究领域。当前 FG-NER 的最优（SOTA）模型严重依赖人工构建词典与设计手工特征。在 NER 上取得 SOTA 结果的端到端框架，相较于 FG-NER 的 SOTA 模型并未获得有竞争力的结果。本文中，我们探究在多任务学习方法中，端到端框架于不同方面对 FG-NER 的有效性。我们的实验表明，在端到端神经网络模型中使用带上下文词表示的多任务学习方法，可在不借助任何额外人工构建数据与设计特征的情况下取得 SOTA 结果。
引用
@article{arxiv.1902.10118,
title = {Multi-Task Learning with Contextualized Word Representations for Extented Named Entity Recognition},
author = {Thai-Hoang Pham and Khai Mai and Nguyen Minh Trung and Nguyen Tuan Duc and Danushka Bolegala and Ryohei Sasano and Satoshi Sekine},
journal= {arXiv preprint arXiv:1902.10118},
year = {2019}
}
备注
7 pages, 2 figures, 4 tables