南洋理工最新《命名实体识别深度学习方法》综述论文,25页pdf

2018 年 12 月 28 日 专知
南洋理工最新《命名实体识别深度学习方法》综述论文,25页pdf

【导读】近几年来,基于神经网络的深度学习方法在计算机视觉、语音识别等领域取得了巨大成功,另外在自然语言处理领域也取得了不少进展。在NLP的关键性基础任务—命名实体识别(Named Entity Recognition,NER)的研究中,深度学习获得了不错的效果。近日,南洋理工Aixun Sun等学者在Arxiv发布一篇最新关于命名实体识别的深度学习方法综述论文,详细描述了最新方法的资源与分类,是不可多得参阅材料。



命名实体识别NER


NER又称作专名识别,是自然语言处理中的一项基础任务,应用范围非常广泛。命名实体一般指的是文本中具有特定意义或者指代性强的实体,通常包括人名、地名、组织机构名、日期时间、专有名词等。NER系统就是从非结构化的输入文本中抽取出上述实体,并且可以按照业务需求识别出更多类别的实体,比如产品名称、型号、价格等。因此实体这个概念可以很广,只要是业务需要的特殊文本片段都可以称为实体。下面是一个例子。



NER是NLP中一项基础性关键任务。从自然语言处理的流程来看,NER可以看作词法分析中未登录词识别的一种,是未登录词中数量最多、识别难度最大、对分词效果影响最大问题。同时NER也是关系抽取、事件抽取、知识图谱、机器翻译、问答系统等诸多NLP任务的基础。


命名实体识别深度学习方法综述


【摘要】命名实体识别(Named entity recognition, NER)的任务是鉴别出提到命名实体的文本位置,并将它们划分为预定义的类别,如人员、位置、组织等。虽然早期的NER系统能够成功地产生良好的识别精度,但它们往往需要大量的人力来仔细设计规则或特征。近年来,基于连续实值向量表示和通过非线性处理的语义组合的深度学习被应用到NER系统中,产生了最好的识别性能。在本文中,我们对现有的面向NER的深度学习技术进行了全面的回顾。我们首先介绍NER资源,包括标记的NER语料库和现成的NER工具。然后,我们系统地将现有的作品按照三个轴分类:输入的分布式表示、上下文编码器和标记解码器。接下来,我们调查了在新的NER问题设置和应用中最新应用技术的最具代表性的方法。最后,我们向读者介绍了NER系统面临的挑战,并概述了这一领域的未来发展方向。


【论文地址】

http://www.zhuanzhi.ai/paper/2a575334d5f0c17b73b4f98fab99dac6


【论文下载】

 请关注专知公众号(扫一扫最下面专知二维码,或者点击上方蓝色专知

  • 后台回复“NERDL” 就可以获取本文的下载链接~ 

  • 专知2019年1月将开设一门《深度学习:算法到实战》会重点讲解深度学习序列标注模型用于命名实体识别,欢迎关注报名!

       专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授!


【论文导读】

NER数据集

NER开源工具

深度学习命名实体识别框架

基于深度神经网络的命名实体识别方法集合

论文页面:


-END-

专 · 知

   专知开课啦!《深度学习: 算法到实战》, 中科院博士为你讲授!


请加专知小助手微信(扫一扫如下二维码添加),咨询《深度学习:算法到实战》参团限时优惠报名~

欢迎微信扫一扫加入专知人工智能知识星球群,获取专业知识教程视频资料和与专家交流咨询!

请PC登录www.zhuanzhi.ai或者点击阅读原文,注册登录专知,获取更多AI知识资料!

点击“阅读原文”,了解报名专知《深度学习:算法到实战》课程

登录查看更多
37

相关内容

实体抽取,也就是命名实体识别,包括实体的检测(find)和分类(classify),要识别出文本中出现的专有名称和有意义的数量短语并加以归类。

命名实体识别(NER)的任务是识别提到命名实体的文本范围,并将它们分类为预定义的类别,如人员、位置、组织等。NER是各种自然语言应用的基础,如问题回答、文本摘要和机器翻译。虽然早期的NER系统能够成功地产生相当高的识别精度,但它们通常需要大量的人力来精心设计规则或特征。近年来,基于连续实值向量表示和通过非线性处理的语义组合的深度学习被应用到NER系统中,产生了最先进的性能。在这篇论文中,我们对现有的深度学习技术进行了全面的回顾。我们首先介绍NER资源,包括标记的NER语料库和现成的NER工具。然后,我们根据一个分类法沿着三个轴对现有的作品进行了系统的分类:输入的分布式表示、上下文编码器和标记解码器。接下来,我们调查了最近在新的NER问题设置和应用中应用深度学习技术的最有代表性的方法。最后,我们向读者介绍NER系统所面临的挑战,并概述该领域的未来发展方向。

成为VIP会员查看完整内容
0
59

自然语言处理(NLP)帮助智能机器更好地理解人类语言,实现基于语言的人机交流。计算能力的最新发展和大量语言数据的出现,增加了使用数据驱动方法自动进行语义分析的需求。由于深度学习方法在计算机视觉、自动语音识别,特别是NLP等领域的应用取得了显著的进步,数据驱动策略的应用已经非常普遍。本调查对得益于深度学习的NLP的不同方面和应用进行了分类和讨论。它涵盖了核心的NLP任务和应用,并描述了深度学习方法和模型如何推进这些领域。我们进一步分析和比较不同的方法和最先进的模型。

成为VIP会员查看完整内容
0
124
小贴士
相关资讯
NLP命名实体识别开源实战教程 | 深度应用
AI100
13+阅读 · 2019年8月18日
一文读懂命名实体识别
AINLP
25+阅读 · 2019年4月23日
面向新闻媒体的命名实体识别技术
PaperWeekly
15+阅读 · 2019年4月17日
命名实体识别(NER)综述
AI研习社
48+阅读 · 2019年1月30日
自动驾驶最新综述论文(31页PDF下载)
专知
85+阅读 · 2019年1月15日
ACL 2018 | 利用Lattice LSTM的最优中文命名实体识别方法
黑龙江大学自然语言处理实验室
7+阅读 · 2018年7月3日
从0到1,这篇深度学习综述送给你!
机器学习算法与Python学习
18+阅读 · 2018年6月13日
相关VIP内容
专知会员服务
140+阅读 · 2020年6月16日
专知会员服务
77+阅读 · 2020年4月21日
专知会员服务
124+阅读 · 2020年3月6日
专知会员服务
194+阅读 · 2020年1月1日
南洋理工大学,深度学习推荐系统综述
专知会员服务
111+阅读 · 2019年10月14日
相关论文
A Survey on Bayesian Deep Learning
Hao Wang,Dit-Yan Yeung
39+阅读 · 2020年7月2日
Bryan Wilder,Eric Ewing,Bistra Dilkina,Milind Tambe
4+阅读 · 2019年5月31日
Yu Cheng,Mo Yu,Xiaoxiao Guo,Bowen Zhou
11+阅读 · 2019年1月26日
Knowledge Representation Learning: A Quantitative Review
Yankai Lin,Xu Han,Ruobing Xie,Zhiyuan Liu,Maosong Sun
26+阅读 · 2018年12月28日
Tuomas Haarnoja,Aurick Zhou,Sehoon Ha,Jie Tan,George Tucker,Sergey Levine
4+阅读 · 2018年12月26日
Ziwei Zhang,Peng Cui,Wenwu Zhu
37+阅读 · 2018年12月11日
Meta-Learning with Latent Embedding Optimization
Andrei A. Rusu,Dushyant Rao,Jakub Sygnowski,Oriol Vinyals,Razvan Pascanu,Simon Osindero,Raia Hadsell
6+阅读 · 2018年7月16日
Benjamin Recht
5+阅读 · 2018年6月25日
Stéphane Lathuilière,Benoit Massé,Pablo Mesejo,Radu Horaud
6+阅读 · 2018年4月23日
Mahsa Sadat Shahshahani,Mahdi Mohseni,Azadeh Shakery,Heshaam Faili
5+阅读 · 2018年1月30日
Top