- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技评论
动态 | 「词嵌入」和「注意力」的新发现获得CoNLL 2018最佳论文奖
小组主办的自然语言处理顶级会议 EMNLP 2018 即将于 10 月 31 日到 11 月 4 日在比利时布鲁塞尔举行，另一个也有不小影响力的会议，ACL 下属的 SIGNLL 主办的计算自然语言学习会议 CoNLL 10 月 30 日（美国时间 10 月 29 日），CoNLL 2018 大会公布了论文奖。雷锋网 AI 科技评论介绍如下。 论文地址：http://aclweb.org/anthology/K18-1030 更多 CoNLL 2018 及 EMNLP 2018 报道，请继续关注 AI 科技评论。
48730发布于 2018-12-06 - 来自专栏AI科技评论
首发 | 哈工大在CoNLL上斩获全球第四，车万翔博士详解背后的技术细节
，CoNLL）主办。 在今年 CoNLL-2017 评测（http://universaldependencies.org/conll17/）上，哈工大社会计算与信息检索研究中心取得第四名的佳绩，这也是亚洲团队所取得的最好成绩 2009 年，获 CoNLL 国际多语种句法和语义分析评测第 1 名。 AI 科技评论：您的团队此前在 2005、2008 及 2009 年的 CoNLL 上都获得了优异的成绩，鉴于每年的任务类型与难度都不同，是否能和我们介绍一下 CoNLL 历年任务的整体变化趋势？ CoNLL 每年会征集评测题目，最终根据研究内容是否前沿、标注数据是否高质量、组织单位经验是否丰富等方面评选出一项最终的评测内容。根据 CoNLL 的传统，相关的评测往往会连续举行两年。
1.3K90发布于 2018-03-13 - 来自专栏机器之心
CoNLL 2018 | 最佳论文揭晓：词嵌入获得的信息远比我们想象中的要多得多
选自arXiv 作者：Mikel Artetxe 机器之心编译 参与：李亚洲、路雪 CoNLL 是自然语言处理领域的顶级会议，每年由 SIGNLL 组织举办。 CoNLL 2018 大会将于 10 月 31 日-11 月 1 日在比利时布鲁塞尔举行，地点与 EMNLP 2018 一样（EMNLP 2018 将于 10 月 31 日-11 月 4 日举行）。 昨日，CoNLL 公布了最佳论文，由来自西班牙巴斯克大学 IXA NLP 组的 Mikel Artetxe 等人获得。
71810发布于 2018-12-06 - 来自专栏机器学习初学者精选文章
【NLP】推荐一些NER的英文数据集
1 MUC Data Sets https://www-nlpir.nist.gov/related_projects/muc/ 2 CoNLL-2002 https://www.clips.uantwerpen.be /conll2002/ner/ 3 CoNLL-2003 CoNLL 2003是由新闻通讯社的文章以四种不同的语言(西班牙语、荷兰语、英语和德语)创建的，重点关注4个实体:PER(人员)，LOC(位置 )，ORG(组织)和MISC(其他，包括所有其他类型的实体) https://www.clips.uantwerpen.be/conll2003/ner/ 4 2010 I2B2 2010 I2B2
2.2K10发布于 2020-10-19 - 来自专栏新智元
【NLP2005年以来大突破】语义角色标记深度模型，准确率提升10%
我们的 8 层模型在 CoNLL 2005 测试集上达到 83.2 F1，在 CoNLL 2012 测试集上达到了 83.4 F1。与以前的技术水平相比，大约减少了 10％ 的相对误差率。 在本文中，我们展示了这一结果可以通过具有约束译码的深度 highway 双向 LSTM 进一步推动，并再次显著提高了现有技术（在 CoNLL 2005 上有两个点的提升）。 表2：CoNLL 2012 上的实验结果采用和表1 相同的度量方法。 表6：2005年CoNLL上的F1，以及按类型细分的CoNLL 2012 上的 development set。 语法约束解码（+ AutoSyn）显示了域内数据（CoNLL 05 和 CoNLL 2012 NW）的更大改进。
1.1K30发布于 2018-03-27 - 来自专栏人工智能头条
什么是语义角色标注？
03 相关评测 CoNLL 会议 2008、 2009 年对依存分析和语义角色标注联合任务进行评测。 CoNLL 2008： https://www.clips.uantwerpen.be/conll2008/ CoNLL 2009： http://ufal.mff.cuni.cz/conll2009-
1.7K30发布于 2019-05-13 - 来自专栏小馒头学Python
【机器学习】聚类算法分类与探讨
silhouette_score# 计算轮廓系数score = silhouette_score(X, labels)print(f'Silhouette Score: {score}')示例完整代码（CoNLL nltk import download# 下载 CoNLL-2003 数据集download('conll2003')# 提取 CoNLL-2003 数据集def load_conll_data() : sentences = [] for sentence in conll2003.iob_sents(): words = [word for word, _, _ in Silhouette Score: {dbscan_score:.4f}")print(f"Agglomerative Clustering Silhouette Score: {agg_score:.4f}")CoNLL -2003 数据集：我们通过 nltk.corpus.conll2003 来加载 CoNLL-2003 数据集。
59210编辑于 2024-11-14 - 来自专栏ATYUN订阅号
GitHub项目：自然语言处理领域的相关干货整理
中对多语言的不受限制的共指进行建模）：http://conll.cemantix.org/2012/task-description.html 挑战：CoNLL 2011 Shared Task: Modeling Unrestricted Coreference in OntoNotes（CoNLL 2011共享任务:在OntoNotes中对多语言的不受限制的共指进行建模）：http://conll.cemantix.org /conll13st.html 挑战：CoNLL 2014Shared Task: Grammatical Error Correction（CoNLL 2014共享任务:语法错误校正）：http:// -2002 NER corpus：https://github.com/teropa/nlp/tree/master/resources/corpora/conll2002 资料：CoNLL-2003 ）：http://universaldependencies.org/conll17/ 挑战：CoNLL2016 Shared Task: Multilingual Shallow Discourse
3.1K40发布于 2018-03-05 - 来自专栏数据派THU
自然语言处理领域重要研究及资源全索引！
Shared Task: Modeling Multilingual Unrestricted Coreference in OntoNotes （http://conll.cemantix.org/ Grammatical Error Correction （http://www.comp.nus.edu.sg/~nlp/conll13st.html） 竞赛：CoNLL-2014Shared Task /W03-0419） 资源：CoNLL-2002 NER corpus （https://github.com/teropa/nlp/tree/master/resources/corpora/conll2002 ） 资源：CoNLL-2003 NER corpus （https://github.com/synalp/NER/tree/master/corpus/CoNLL-2003） 资源： NUTNamed /conll16st/） 竞赛： CoNLL2015 Shared Task: Shallow Discourse Parsing （http://www.cs.brandeis.edu/~clp/conll15st
99690发布于 2018-01-30 - 来自专栏机器之心
自然语言处理领域重要论文&资源全索引
Models for Grammatical Error Correction （https://arxiv.org/abs/1606.00189） 竞赛：CoNLL-2013Shared Task: Grammatical Error Correction （http://www.comp.nus.edu.sg/~nlp/conll13st.html） 竞赛：CoNLL-2014Shared Task /W03-0419） 资源：CoNLL-2002 NER corpus （https://github.com/teropa/nlp/tree/master/resources/corpora/conll2002 ） 资源：CoNLL-2003 NER corpus （https://github.com/synalp/NER/tree/master/corpus/CoNLL-2003） 资源： NUTNamed /conll16st/） 竞赛： CoNLL2015 Shared Task: Shallow Discourse Parsing （http://www.cs.brandeis.edu/~clp/conll15st
1.4K70发布于 2018-05-08 - 来自专栏AI科技评论
动态 | 斯坦福大学发布 StanfordNLP，支持多种语言
Stanford 官方发布的 NLP 库，详细信息请访问： https://stanfordnlp.github.io/stanfordnlp/ 说明 如果在研究中使用了他们的神经管道，可以参考他们的 CoNLL and Dozat, Timothy and Zhang, Yuhao and Manning, Christopher D.}, booktitle = {Proceedings of the {CoNLL url = {https://nlp.stanford.edu/pubs/qi2018universal.pdf}, year = {2018} } 但是，这个版本和 Stanford 大学的 CoNLL 神经管道训练模型 目前，CoNLL 2018 共享任务中的所有 treebanks 模型都是公开的，下载和使用这些模型的说明： https://stanfordnlp.github.io/stanfordnlp /installation_download.html#models-for-human-languages 训练你自己的神经管道 这个库中的所有神经模块都可以使用自己的 CoNLL-U 格式数据进行训练
80210发布于 2019-03-07 - 来自专栏数据派THU
独家 | 轻松上手，通过微调Transformers完成命名实体识别任务
它可通过如下方式安装： pip install NERDA 数据集 我们将使用带有NER标注的CoNLL-2003英文数据集来训练和验证我们的模型。 from NERDA.datasets import get_conll_data, download_conll_data download_conll_data() training = get_conll_data ('train') validation = get_conll_data('valid') CoNLL-2003使用以下类型的命名实体（相当标准的类别）进行操作： 1. 未命名实体（O） CoNLL-2003数据集中的每一条观测值都是一个经过分词的句子，每个分词都带有一个命名实体标签。 下面，你将看到CoNLL数据集中随机取出的一个句子示例，同时列出了其分词与对应的命名实体标签（[标签]）。
1.4K30发布于 2021-04-07 - 来自专栏自然语言处理(NLP)论文速递
「自然语言处理（NLP）」你必须要知道的八个国际顶级会议！
针对自然语言处理方向比较重要的几个会议有：ACL、EMNLP、NACAL、CoNLL、COLING、ICLR、AAAI、NLPCC等。 这些 SIGs 也会召开一些国际学术会议，其中比较有名的就是 SIGDAT 组织的 EMNLP 和 SIGNLL 组织的 CoNLL（Conference on Computational Natural CoNLL 会议全称：Conference on Computational Natural Language Learning. 会议链接地址：http://www.conll.org/ SIGDAT 组织的 EMNLP 和 SIGNLL 组织的 CoNLL（ Conference on Computational Natural ACL 、AAAI是 CCF 推荐A类国际学术会议，EMNLP 和 COLING 是B类，NAACL 、CoNLL、NLPCC则是C类。
4.4K10发布于 2020-01-02 - 来自专栏AI小白入门
初学者|什么是语义角色标注
相关评测 CoNLL会议2008、 2009 年对依存分析和语义角色标注联合任务进行评测。 CoNLL 2008：https://www.clips.uantwerpen.be/conll2008/ CoNLL 2009：http://ufal.mff.cuni.cz/conll2009-st
1.8K50发布于 2019-05-29 - 来自专栏机器之心
你的英语不行！微软亚研自动语法纠错系统达到人类水平
的 GLEU 分数，这使其成为首个在两个基准数据集上都达到人类水平（CoNLL72.58，JFLEG62.37）的 GEC 系统。 表 2：GEC 系统在 CoNLL 和 JFLEG 数据集上的结果对比。 表 3：性能最佳的 GEC 系统在 CoNLL 和 JFLEG 数据集上的评估结果分析。红色字体的结果超越了人类水平。 ? 表 4：有/没有流畅度提升学习的卷积 seq2seq 模型在 CoNLL-2014 数据集的每个错误类型上的召回率对比。 ? 表 5：从左到右和从右到左的 seq2seq 模型对 CoNLL-2014 中每种错误类型的召回率
76410发布于 2018-07-26 - 来自专栏大数据智能实战
AllenNLP系列文章之五：语义角色标注
closely matches the published model, achieving a F1 of 78.9% on English Ontonotes 5.0 dataset using the CONLL 我们的 8 层模型在 CoNLL 2005 测试集上达到 83.2 F1，在 CoNLL 2012 测试集上达到了 83.4 F1。与以前的技术水平相比，大约减少了 10％ 的相对误差率。
2.2K40发布于 2019-05-27 - 来自专栏大数据生态
别再单独跑 Python 脚本了：手把手教你在腾讯云 Elasticsearch 里直接做命名实体识别 (NER)
我们以 elastic/distilbert-base-uncased-finetuned-conll03-english 模型为例。 -u <USERNAME> -p <PASSWORD> \ --hub-model-id elastic/distilbert-base-uncased-finetuned-conll03 检查 elastic__distilbert-base-uncased-finetuned-conll03-english 的状态是否为 Started。3. 点击操作栏的 Test model。 processors": [ { "inference": { "model_id": "elastic__distilbert-base-uncased-finetuned-conll03
7458386编辑于 2025-12-10 - 来自专栏PaddlePaddle
基于飞桨PaddlePaddle的语义角色标注任务全解析
数据介绍 在本文中，我们选用 CoNLL 2005SRL 任务开放出的数据集作为示例。 需要特别说明的是，CoNLL 2005 SRL 任务的训练数集和开发集在比赛之后并非免费进行公开，目前，能够获取到的只有测试集，包括 Wall Street Journal 的 23 节和 Brown CoNLL 2005 训练语料中有 5% 的词不在这 4900,000 个词中，我们将它们全部看作未登录词，用<unk>表示。 conll05.test() 每次产生一条样本，包含 9 个特征，shuffle 和组完 batch 后作为训练的输入。 由于 CoNLL 2005 SRL 任务的训练数据目前并非完全开放，本文中只使用测试数据作为示例。
1.2K40发布于 2019-07-02 - 来自专栏人工智能头条
一文读懂命名实体识别
除此之外，其他相关的评测会议包括CoNLL（Conference on Computational Natural Language Learning）、ACE（Automatic Content Extraction 此外，一些评测还扩大了专业名词的范围，比如CoNLL某年组织的评测中包含了产品名的识别。 (CoNLL 2002)Annotated Corpus for Named Entity Recognition。 Stanford NER 斯坦福大学开发的基于条件随机场的命名实体识别系统，该系统参数是基于 CoNLL、MUC-6、MUC-7 和 ACE 命名实体语料训练出来的。
2.4K10发布于 2019-04-30 - 来自专栏算法码上来
论文赏析[NAACL19]基于DIORA的无监督隐式句法树归纳
下表是在CoNLL2000和CoNLL2012数据集上的准确率： ? 结果表明，CoNLL2000中DIORA效果最好，但是CoNLL2012的话ELMo效果最好，这也说明了DIORA在细粒度的语料上还有提升空间。 还有一点奇怪的就是，在CoNLL2012上，ELMo-CI的效果竟然比ELMo-SI还要好，这也是没法解释的。 最后就是一些模型设置，比如TreeLSTM和MLP对效果的影响，这些部分就去看论文吧。
68820发布于 2020-03-24
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号