.png){kind=icon}
返回
Textual data augmentation using generative approaches - Impact on named entity recognition tasks
.png){kind=icon}
OA
AI
DOI：10.1016/j.datak.2024.102403.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
命名实体识别（NER）的工业应用通常面临小规模和不平衡语料库的问题。这可能会损害已训练和微调的识别模型的性能，尤其是在它们遇到未知数据时。本研究开发了三种基于生成的数据增强方法，以增加欠代表实体的示例数量。我们比较了增强语料库对NER模型的影响，使用非上下文（fastText）和上下文（Bert-like）嵌入模型为作为实体分类器的biLSTM-CRF提供判别特征。该方法在一个应用于招标文件语料库的合同续签检测任务上进行评估。结果表明，所提出的数据增强流程在应用于已知和未知数据时，均有效提高了NER模型的有效性。
Keyword:
Data augmentation
Named entity recognition
Feature engineering
Word embeddings
Model robustness
Generative model
Call for tenders
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
D
IF:
2.6
论文数:
116
被引数:
1.7K
机构
引用论文
BCC-NER: bidirectional, contextual clues named entity tagger for gene/protein mention recognitionOAAI
OAAI分享收藏分享收藏RNN based question answer generation and ranking for financial documents using financial NER基于金融NER的RNN问答生成与排序方法用于金融文档.png)
Sādhanā
SādhanāIF0
PREAI
分享收藏分享收藏The Unified Medical Language System (UMLS): integrating biomedical terminology统一医学语言系统 (UMLS): 整合生物医学术语NUCLEIC ACIDS RESEARCHOAAI
NUCLEIC ACIDS RESEARCHIF13.1
OAAI分享收藏
查看更多内容