.

利用一种优秀的依存分析方法构建命名实体识别模型

基于实例的区域表示学习：基于命名实体识别的实例研究

简化中文命名实体识别任务中词汇信息的融合

微表情检测：一种新的基准

CelebA-Spoof：具有丰富标注的大规模人脸反欺骗数据集

论文名称：Named Entity Recognition as Dependency Parsing

作者：Juntao Yu / Bernd Bohnet / Massimo Poesio

发表时间：2020/6/13

论文链接：//arxiv.org/abs/2005.07150

推荐原因

1 作者参考一种基于仿射变换的依存分析方法，提出了一种用于命名实体识别的网络结构，主要包括四部分。其一，输入引入了多种预训练词向量(fasttext, bert)、预训练字符向量，其二，对句子中的每一个词经过BILSTM编码后的输出引入两个前馈神经网络(FN) 进行二次编码分别代表该词作为实体结构(span)首尾时的表征，其三，采用仿射变换网络(bi)计算span的分数，其四，根据既定的规则以及所有spans的分数，筛选出有效的实体

2 本文的模型在多个数据集上达到了SOTA，并且优势较明显

3 其中关于仿射变换网络的部分，需要看一下原文，才能更好理解公式中的每一项的含义，原文地址如下

//arxiv.org/pdf/1611.01734.pdf

  基于实例的区域表示学习：基于命名实体识别的实例研究

论文名称：Instance-Based Learning of Span Representations: A Case Study through Named Entity Recognition

作者：Hiroki Ouchi / Jun Suzuki / Sosuke Kobayashi / Sho Yokoi / Tatsuki Kuribayashi / Ryuto Konno / Kentaro Inui

发表时间：2020/4/29

论文链接：//arxiv.org/abs/2004.14514

推荐原因

1 这是我最近读过的文章里最喜爱的一篇

2 作者研究句子中区域(span)的表示，针对普通(flat)与嵌套(nest)实体识别的数据集分别定义区域(span)的表示，同时定义了邻近区域(span)的概念，即同样标签的训练集中相同标签的区域(span),  并用于训练区域(span)的表示。预测阶段，根据相似度获取邻近区域，使用argmax方法为其分配标签

3 作者从区域(span)间相似度的角度出发，提出了可解释的命名实体模型，并且在普通与嵌套实体识别的数据集上分数超过了使用softmax训练的baseline。此外，验证了这一方法在其他与区域(span)相关的nlp任务中同样有效。

论文名称：Simplify the Usage of Lexicon in Chinese NER

作者：Minlong Peng / Ruotian Ma / Qi Zhang / Xuanjing Huang

发表时间：2019/8/16

论文链接：//arxiv.org/abs/1908.05969

推荐原因