用于少样本命名实体识别的分解元学习方法
计算与语言
2022-04-14 v2
摘要
少样本命名实体识别（NER）系统旨在仅基于少量标注样本识别新类别命名实体。本文提出一种分解元学习方法，通过依次利用元学习处理少样本跨度检测与少样本实体分类来解决少样本 NER 问题。具体而言，我们将少样本跨度检测视为序列标注问题，并引入模型无关元学习（MAML）算法训练跨度检测器，以寻找能够快速适应新实体类的良好模型参数初始化。对于少样本实体分类，我们提出 MAML-ProtoNet，即 MAML 增强的原型网络，以寻找能够更好地区分来自不同实体类的文本跨度表示的良好嵌入空间。在多个基准上的大量实验表明，我们的方法优于先前的方法。
引用
@article{arxiv.2204.05751,
title = {Decomposed Meta-Learning for Few-Shot Named Entity Recognition},
author = {Tingting Ma and Huiqiang Jiang and Qianhui Wu and Tiejun Zhao and Chin-Yew Lin},
journal= {arXiv preprint arXiv:2204.05751},
year = {2022}
}
备注
This paper has been accepted for publication in Findings of ACL 2022. Code is available at: https://github.com/microsoft/vert-papers/tree/master/papers/DecomposedMetaNER