@正在进行{kondragunta-etal-2023改进,title=“改进和简化基于模板的命名实体识别”,author=“Kondragunta、Murali和Perez-de-Vi{\~n}aspre、Olatz和Oronoz,Maite“,editor=“Bassigna、Elisa和林德曼、马提亚斯和阿尔班·佩蒂特”,booktitle=“计算语言学协会欧洲分会第17届会议记录:学生研究研讨会”,月=5月,年份=“2023”,address=“克罗地亚杜布罗夫尼克”,publisher=“计算语言学协会”,url=“https://aclantology.org/2023.eacl-srw.8”,doi=“10.18653/v1/2023.eacl-srw.8”,pages=“79--86”,抽象=“随着大型语言模型的兴起,研究人员开始利用它们,将下游任务作为使用提示的语言建模任务。在这项工作中,我们通过使用模板生成合成句子,将命名实体识别任务转换为seq2seq任务。我们的主要贡献是提供了转换框架,该框架提供了是更快的推断。此外,我们还测试了方法{'}在资源丰富、低资源和域传输设置中的性能。结果表明,我们的方法在资源丰富的环境中取得了可比较的结果,并且在少数情况下优于当前的seq2seq范式最新方法。通过实验,我们发现反例对模型{'}的性能起着重要作用。我们在BART和T5基础模型上应用了我们的方法,并且我们注意到T5体系结构与我们的任务更加吻合。这项工作是在英语数据集上进行的。",}
<?xml版本=“1.0”编码=“UTF-8”?><modsCollection xmlns=“http://www.loc.gov/mods/v3"><mods ID=“kondragunta-etal-2023-改进”><标题信息>改进和简化基于模板的命名实体识别</titleInfo><name type=“personal”>穆拉里康德拉贡塔<角色>作者</角色></name><name type=“personal”>奥拉茨Perez-de-Viñaspre<角色>作者</角色></name><name type=“personal”>Maite公司奥罗诺兹<角色>作者</角色></name><originInfo>发布日期:2023-05发布日期:</originInfo><typeOfResource>文本<relatedItem type=“主机”><标题信息>计算语言学协会欧洲分会第17届会议记录:学生研究研讨会</titleInfo><name type=“personal”>Elisa(Elisa)<namePart type=“family”>巴西纳</namePart><角色>编辑器</角色></name><name type=“personal”>马提亚斯林德曼<角色>编辑器</角色></name><name type=“personal”>阿尔班小配件<角色>编辑器</角色></name><originInfo>计算语言学协会<位置>克罗地亚杜布罗夫尼克</place></originInfo>会议出版物</relatedItem><abstract>随着大型语言模型的兴起,研究人员开始利用它们,将下游任务作为使用提示的语言建模任务。在这项工作中,我们通过使用模板生成合成句子,将命名实体识别任务转换为seq2seq任务。我们的主要贡献是提供更快推理的转换框架。此外,我们测试了我们的方法在资源丰富、低资源和域传输设置中的性能。结果表明,我们的方法在资源丰富的环境中取得了可比较的结果,并且在少数情况下优于当前的seq2seq范式最新方法。通过实验,我们发现反例对模型的性能起着重要作用。我们在BART和T5基础模型上应用了我们的方法,并且我们注意到T5体系结构与我们的任务更加吻合。这项工作是在英语数据集上进行的</摘要>kondragunta-etal-2023改进10.18653/v1/2023.eacl-srw.8<位置><网址>https://aclantology.org/2023.eacl-srw.8</url></位置><部分>2023-05年<扩展单元=“page”><开始>79<结束>86</范围></部分></mods></modsCollection>
%0会议记录%改进和简化基于模板的命名实体识别%A Kondragunta,穆拉里%A Perez-de-Viñaspre,奥拉茨%A Oronoz,梅特%伊丽莎·巴西甘纳%马蒂亚斯·林德曼%阿尔班·Y·佩蒂特%计算语言学协会欧洲分会第17次会议论文集:学生研究研讨会%D 2023年%5月8日%计算语言学协会%C杜布罗夫尼克,克罗地亚%F kondragunta-etal-2023改进%随着大型语言模型的兴起,研究人员开始利用它们,将下游任务作为使用提示的语言建模任务。在这项工作中,我们通过使用模板生成合成句子,将命名实体识别任务转换为seq2seq任务。我们的主要贡献是提供更快推理的转换框架。此外,我们测试了我们的方法在资源丰富、低资源和域传输设置中的性能。结果表明,我们的方法在资源丰富的环境中取得了可比较的结果,并且在少数情况下优于当前的seq2seq范式最新方法。通过实验,我们发现反例对模型的性能起着重要作用。我们在BART和T5基础模型上应用了我们的方法,我们注意到T5架构与我们的任务更加一致。这项工作是在英语数据集上进行的。%R 10.18653/v1/2023.每个序号8%U型https://aclantology.org/2023.eacl-srw.8%U型https://doi.org/10.18653/v1/2023.eacl-srw.8%电话79-86
降价(非正式)
[改进和简化基于模板的命名实体识别](https://aclcollectory.org/2023.eacl-srw.8(英文))(Kondragunta等人,EACL 2023)
国际计算语言学协会
- Murali Kondragunta、Olatz Perez-de-Viñaspre和Maite Oronoz。2023改进和简化基于模板的命名实体识别.英寸计算语言学协会欧洲分会第17届会议记录:学生研究研讨会,第79-86页,克罗地亚杜布罗夫尼克。计算语言学协会。