用于少样本命名实体识别的统一标签感知对比学习框架
计算与语言
2024-05-09 v2
摘要
少样本命名实体识别（NER）旨在仅使用有限数量的标注示例来提取命名实体。现有的对比学习方法通常因上下文向量表示的可区分性不足而受到影响，因为它们要么仅依赖标签语义，要么完全忽略标签语义。为解决此问题，我们提出一个统一的标签感知的token级对比学习框架。我们的方法通过利用标签语义作为后缀提示来丰富上下文。此外，它同时优化上下文-上下文和上下文-标签对比学习目标，以增强泛化的判别性上下文表示。在多种传统测试领域（OntoNotes、CoNLL'03、WNUT'17、GUM、I2B2）和大规模少样本NER数据集（FEWNERD）上的大量实验证明了我们方法的有效性。它在大多数场景下显著优于先前的最先进模型，平均绝对F1分数提升7%。进一步分析表明，我们的模型受益于其强大的迁移能力和改进的上下文表示。
引用
@article{arxiv.2404.17178,
title = {A Unified Label-Aware Contrastive Learning Framework for Few-Shot Named Entity Recognition},
author = {Haojie Zhang and Yimeng Zhuang},
journal= {arXiv preprint arXiv:2404.17178},
year = {2024}
}