注释错误与 NER：OntoNotes 5.0 研究
原文中文，约1300字，阅读约需3分钟。
📝
内容提要
本文评估了18种检测注释错误的方法，分析了法律文本中命名实体识别（NER）性能下降的问题，并探讨了文本歧义对注释质量的影响。研究展示了部分标记数据和预训练模型在多语言NER中的应用，并提出了改进评估方法和模型性能的建议。
❓
Q&A
如何评估命名实体识别中的注释错误？
本文评估了18种检测注释错误的方法，并在9个英文数据集上进行了评估。
法律文本中的NER性能为何下降？
将通用英语文本数据集训练的NER模型应用于法律文本会导致F1分数下降29.4%至60.4%。
文本歧义对注释质量有什么影响？
文本歧义和人工指南变更是高质量修订的差异性注释的主要因素。
如何利用部分标记数据进行NER？
通过识别假负标签减小权值，训练带有偏重的NER模型，取得了8种语言的实验结果。
现代NER系统的性能如何提高？
现代NER系统在神经模型时代稳步提高性能，通过对错误进行分类，超越F1分数，解释NER的真实技术水平。
TweetNER7数据集的目的是什么？
TweetNER7数据集用于探索利用预训练模型进行Twitter命名实体识别，包含七个实体类型。
🏷️
