一种用于稀疏实体抽取的实用增量学习框架
计算与语言
2020-04-28 v2
摘要
本工作解决从文本数据抽取实体时所面临的挑战，包括数据标注成本高、模型精度、选择合适的评估准则以及标注整体质量。我们提出一个集成实体集扩展（ESE）与主动学习（AL）的框架，以降低稀疏数据的标注成本并提供作为反馈的在线评估方法。这一增量且交互的学习框架允许快速标注并随后抽取稀疏数据，同时保持高准确率。我们在三个公开数据集上评估了框架，结果表明其分别平均降低85%和45%的稀疏实体标注成本即可达到0.9和1.0的F值，且该方法在所有数据集上均表现出鲁棒性能。
引用
@article{arxiv.1806.09751,
title = {A Practical Incremental Learning Framework For Sparse Entity Extraction},
author = {Hussein S. Al-Olimat and Steven Gustafson and Jason Mackay and Krishnaprasad Thirunarayan and Amit Sheth},
journal= {arXiv preprint arXiv:1806.09751},
year = {2020}
}
备注
https://www.aclweb.org/anthology/C18-1059/