基于联合受限K均值和子空间选择的少样本命名实体识别
计算与语言
2024-12-13 v2
摘要
命名实体识别（NER）通常需要大量标注数据，这限制了其在实体定义各不相同的领域间的可移植性。本文针对少样本NER问题，旨在将知识转移到新领域且仅需最小监督。不同于以往仅依赖有限标注数据的方法，本文提出一种弱监督算法，将小规模标注数据与大量未标注数据相结合。该方法将k-means算法扩展为融合标签监督、簇大小约束和领域特定判别性子空间选择。该统一框架在多个英文数据集上实现了少样本NER的状态突破性成果。
引用
@article{arxiv.2412.00426,
title = {Few-Shot Domain Adaptation for Named-Entity Recognition via Joint Constrained k-Means and Subspace Selection},
author = {Ayoub Hammal and Benno Uthayasooriyar and Caio Corro},
journal= {arXiv preprint arXiv:2412.00426},
year = {2024}
}
备注
COLING 2025