T型2净入学率：用于命名实体识别的基于Transformers的迁移学习框架

萨杜拉·阿明,Guenter Neumann公司

摘要
深度变换器模型的最新进展在几个自然语言处理（NLP）任务中取得了最新进展，而命名实体识别（NER）传统上受益于长短期记忆（LSTM）网络。在这项工作中，我们提出了一个基于Transformers的命名实体识别（T2NER）传输学习框架，该框架是在PyTorch中创建的，用于使用深度变换器模型进行命名实体识别。该框架以Transformers库为核心建模引擎构建，支持从顺序转移到域适应、多任务学习和半监督学习的多种转移学习场景。它旨在将这些领域的算法进步与最先进的变压器模型相结合，以提供一个易于扩展的统一平台，并可用于NER中的转移学习研究和实际应用，从而弥合这些领域算法进步之间的差距。该框架位于：https://github.com/suamin/t2ner.
选集ID：
2021.每个演示25
体积：
计算语言学协会欧洲分会第16届会议记录：系统演示
月份：
四月
年份：
2021
地址：
在线的
编辑：
迪米特拉·格卡齐亚,杰梅·塞达
地点：
EACL公司
信号：
发布者：
计算语言学协会
注：
页：
212–220
语言：
网址：
https://aclantology.org/2021.eacl-demos.25
内政部：
10.18653/v1/2021.eacl-demos.25
比比键：
引用（ACL）：
Saadullah Amin和Guenter Neumann。2021T2NER：基于变形金刚的命名实体识别迁移学习框架.英寸计算语言学协会欧洲分会第16届会议记录：系统演示，第212-220页，在线。计算语言学协会。
引用（非正式）：
T2NER：基于变形金刚的命名实体识别迁移学习框架（阿明和诺依曼，EACL 2021）
复制引文：
PDF格式：
https://aclantology.org/2021.eacl-demos.25.pdf
可选补充材料：
2021.eacl-demos.25.可选补充材料.zip
PDF格式 引用 搜索 可选补充材料