基于叠加概念判别的少样本命名实体识别

少样本命名实体识别（Few-shot NER）旨在仅利用少量示例实例来识别目标类型的实体。遗憾的是，少样本 NER 受到固有的精确泛化问题的严重挑战，即由于信息不足导致的歧义性，难以准确确定所需的目标类型。本文提出叠加概念判别器（SuperCD），通过主动学习范式解决上述挑战。具体而言，首先引入概念提取器从示例实例中识别叠加概念，每个概念对应一个可能的泛化边界。然后应用叠加实例检索器从大规模文本语料库中检索这些叠加概念的相应实例。最后，请标注者标注检索到的实例，并将这些标注实例与原始示例实例一起用于学习少样本 NER 模型。为此，我们利用大规模公开知识库学习了一个通用的概念提取器和叠加实例检索器。实验表明，SuperCD 能够有效地从示例实例中识别叠加概念，从大规模语料库中检索叠加实例，并以最小的额外代价显著提升少样本 NER 性能。