命名实体识别任务中的少样本分类
计算与语言
2018-12-18 v1 机器学习
机器学习
摘要
对于许多自然语言处理（NLP）任务，标注数据的数量有限。这迫切需要使用半监督学习技术，如迁移学习或元学习。在本工作中，我们使用原型网络（Prototypical Network）——一种度量学习技术——来解决命名实体识别（NER）任务。它学习词的中间表示，这些表示能很好地聚为命名实体类。该模型的这一特性使得仅用极少量训练样本即可对词进行分类，并有可能用作零样本学习方法。通过将此技术与迁移学习相结合，我们实现了仅以目标类 20 个实例训练便获得表现良好的分类器。
引用
@article{arxiv.1812.06158,
title = {Few-shot classification in Named Entity Recognition Task},
author = {Alexander Fritzler and Varvara Logacheva and Maksim Kretov},
journal= {arXiv preprint arXiv:1812.06158},
year = {2018}
}
备注
In proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing