~2011年

Weakly Supervised Named Entity Transliteration and Discovery from Multilingual Comparable Corpora

动机：命名实体识别中许多语言缺乏有监督的数据
方法：提出一种（几乎）无监督的学习算法，通过预先给定的与资源丰富的语言弱时间对齐的双语语料库。

相关工作：

1. 已经有其他工作在最小监督的情况下自动发现命名实体，然而，他们关注的是已经分割出的实体的分类阶段，并利用了上下文和形态学的线索，这些线索需要超出我们希望假设的目标语言水平的知识。
2. 使用时间分布的相似性进行信息提取，特别是NE提取，并不是新概念。
3. 在语言转写模型方面已经有很多先前的工作。大多数是生成性的，并考虑为给定单词产生适当转写的任务，因此需要相当多的语言知识。虽然生成性模型通常很健壮，但它们倾向于做出在数据中不成立的独立性假设。

不足：~

语言：英语，俄语
数据集：comparable English-Russian news corpus（本论文）

任务：多语言命名实体识别

转移资源：Parallel corpora、Universal features（时间分布特征）；Word alignments（音译特征，自己生成）Bilingual dictionary（用于音译结果增强）

转移参数：标签转移

细节：具体来说，有一个平行语言库，可以根据实体的时间分布特征和音译特征对这些实体进行对齐，对齐后的实体被合并。

A multilingual Named Entity Recognition system using boosting and C4.5 decision tree learning algorithms

动机：无。(在众多自然语言处理应用中，对普通文本中的专有名词进行识别和分类具有至关重要的意义)
方法：手工注释匈牙利语料库，AdaBoostMl和C4.5决策树学习算法
相关工作：机器学习方法（最大熵模型、隐马尔可夫模型（CoNLL-2003）和支持向量机（JNLPBA2004，[10]））
不足：~

语言：匈牙利语，英语
数据集：CONLL-2003、Szeged Treebank

任务：多语言命名实体识别

转移资源：Parallel corpora，Language features，Universal features

转移参数：标签转移，特征转移

细节：具体来说，人工注释一个匈牙利平行语料库，这个数据集和英语数据集主题相同，从两个数据集中抽取出语言特征和通用特征库，根据特征判断结果

Mining wiki resources for multilingual named entity recognition

动机：大多数研究都局限于少数几种语言，几乎所有方法都需要相当的语言专业知识，无论是创建特定于一种语言的基于规则的技术，还是手动注释一批文本作为统计引擎或机器学习的训练集。
方法：描述了一个系统，该系统能够利用维基百科的多语言特性，为大量文本语料库添加命名实体识别（NER）标签，这一过程几乎不需要人为干预，也不需要语言专业知识。
相关工作：维基百科研究、语言链接 -> 依赖WordNet或其他语言特性
不足：未在非英语环境下消歧，粗粒度分类

语言：法语、乌克兰语、西班牙语、波兰语、俄语、葡萄牙语
数据集：ACE 2007、wikipedia

任务：多语言命名实体识别

转移资源：Parallel corpora(wikipedia)

转移参数：标签转移

细节：根据wikipedia内容对英语条目进行分类，非英语条目通过语言链接找到相应英语条目的分类，没有对应的则根据文章内容中的Category元素进行判断。

Building a multilingual named entity-annotated corpus using annotation projection

动机：
方法：
相关工作：
不足：

语言：
数据集：

任务：

转移资源：

转移参数：

细节：