CNER-Omni:一个统一的动态模式学习框架,用于在文本和语音中识别中文命名实体

科学领域:

• 自然语言处理自然语言处理.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 多式联网数据在现实应用中越来越常见.
• 现有的中文命名实体识别 (CNER) 方法独立处理文本,语音和多模式输入,导致效率低下和跨模式概括性差.
• 需要一个统一的综合多式联运命名实体认可 (IMNER) 框架.

研究的目的:

• 提出CNER-Omni,这是IMNER的统一框架,将基于文本的,基于语音的和多式联网的CNER整合到一个单一的模型中.
• 引入IMAGE,一个集成多式联机生成框架,将NER视为实体意识的序列生成任务.
• 改进跨模态表示学习和模型适应性,以各种输入配置.

主要方法:

• 为多式联运数据设计了一个统一的输入表示方案.
• 开发了IMAGE,这是一个集成的多模式生成框架,利用伪模式输入进行跨模式学习.
• 整合了一种模式-成分-意识的专家混合 (MoE) 模块,用于动态适应.
• 在AISHELL-NER,CNERTA和MSRA基准测试中进行了实验.

主要成果:

• 在文本,语音和多模式NER任务中,CNER-Omni实现了最先进的性能.
• 与独立方法相比,统一框架显著降低了模型的复杂性.
• 在平面和嵌套NER设置中表现出强的性能.
• 在低资源和跨模式场景中展示了稳健性.

结论:

• CNER-Omni提供了一个有效和高效的统一框架,用于集成的多式联运命名实体识别.
• IMAGE框架能够实现卓越的跨模式表示学习和适应性.
• 拟议的方法为CNER在各种数据模式和具有挑战性的条件中设定了新的标准.