用于嵌套命名实体识别的数据增强下的组合嵌套学习
计算与语言
2024-06-19 v1
摘要
嵌套命名实体识别（NNER）旨在解决重叠实体识别问题。相较于平坦命名实体识别（FNER），NNER的注释资源在语料库中稀缺。数据增强是缓解不足注释语料的有效方法。然而，针对NNER的数据增强方法探索严不足。在NNER中，嵌套实体的存在使得现有数据增强方法无法直接应用于NNER任务。因此，本文聚焦于NNER的数据增强，采用更具表现力的结构——由嵌套词和嵌套标签组合的构成-嵌套标签分类（CNLC）——来建模嵌套实体。通过组合-嵌套学习（CNL）对数据集进行增强。此外，我们提出置信度过滤机制（CFM）以更高效地选择生成的数据。实验结果表明，该方法在ACE2004和ACE2005上均取得改进，减轻了样本不平衡的影响。
引用
@article{arxiv.2406.12779,
title = {Composited-Nested-Learning with Data Augmentation for Nested Named Entity Recognition},
author = {Xingming Liao and Nankai Lin and Haowen Li and Lianglun Cheng and Zhuowei Wang and Chong Chen},
journal= {arXiv preprint arXiv:2406.12779},
year = {2024}
}
备注
Accepted by CSCWD 2024