AutoTriggER：基于辅助触发词抽取的标签高效且鲁棒的命名实体识别
计算与语言
2023-05-19 v3 信息检索
摘要
用于命名实体识别（NER）的深度神经模型通过利用远程监督和诸如解释等辅助信息，在克服标签稀缺性和泛化到未见实体方面展现出了令人印象深刻的结果。然而，获取此类额外信息的成本通常是难以承受的。在本文中，我们提出了一个新颖的两阶段框架，通过自动生成并利用“实体触发词”来提高NER性能，这些触发词是文本中人类可读的线索，有助于引导模型做出更好的决策。我们的框架利用事后解释生成理由，并使用嵌入插值技术增强模型的先验知识。这种方法允许模型利用触发词来推断实体边界和类型，而不是仅仅记忆实体词汇本身。通过在三个被广泛研究的NER数据集上的实验，AutoTriggER展现出强大的标签效率，能够泛化到未见实体，并且平均比RoBERTa-CRF基线高出近0.5个F1点。
引用
@article{arxiv.2109.04726,
title = {AutoTriggER: Label-Efficient and Robust Named Entity Recognition with Auxiliary Trigger Extraction},
author = {Dong-Ho Lee and Ravi Kiran Selvam and Sheikh Muhammad Sarwar and Bill Yuchen Lin and Fred Morstatter and Jay Pujara and Elizabeth Boschee and James Allan and Xiang Ren},
journal= {arXiv preprint arXiv:2109.04726},
year = {2023}
}
备注
15 pages, 13 figures, EACL 2023