神经提及检测
计算与语言
2020-06-23 v2
摘要
提及检测是命名实体识别(NER)和共指消解等应用中用于标注与解释的重要预处理步骤,但此前鲜有能够覆盖全部提及类型的独立神经模型被提出。本文提出并比较了三种基于神经网络的提及检测方法。第一种方法基于当前最优共指消解系统的提及检测部分;第二种使用ELMO嵌入结合双向LSTM与双仿射分类器;第三种方法使用近期提出的BERT模型。在 HIGH RECALL 共指标注设定下,我们的最佳模型(使用双仿射分类器)相较强基线在提及召回率上取得了最高1.8个百分点的提升。在 HIGH F1 标注设定下,该模型在 CONLL 与 CRAC 共指数据集上相较已报道的最佳提及检测F1分别取得了最高5.3和6.2个百分点的改进。随后,我们将最佳模型预测的提及用于当前最优共指消解系统以评估其共指消解性能。相较我们的强基线系统(流水线系统与端到端系统),增强模型分别取得了最高1.7和0.7个百分点的绝对提升。对于嵌套NER,我们的模型在GENIA语料上的评估表明,尽管并非专为该项任务设计,其仍可与当前最优模型持平或超越之。
引用
@article{arxiv.1907.12524,
title = {Neural Mention Detection},
author = {Juntao Yu and Bernd Bohnet and Massimo Poesio},
journal= {arXiv preprint arXiv:1907.12524},
year = {2020}
}
备注
LREC 2020