基于分散分布原型的实体级原型网络用于少样本命名实体识别
计算与语言
2022-08-18 v1
摘要
少样本命名实体识别（NER）使我们能够使用极少标注样本为新领域构建 NER 系统。然而，该任务现有的原型网络存在标签依赖估计粗糙和原型分布紧密的问题，因此常导致误分类。为解决上述问题，我们提出 EP-Net，一种由分散分布原型增强的实体级原型网络。EP-Net 构建实体级原型并将文本片段视为候选实体，因此不再需要标签依赖。此外，EP-Net 从头训练原型以使其分散分布，并使用空间投影在嵌入空间中对齐片段与原型。在两个评估任务和 Few-NERD 设定上的实验结果表明，EP-Net 在整体性能上持续优于以往强模型。大量分析进一步验证了 EP-Net 的有效性。
引用
@article{arxiv.2208.08023,
title = {Few-shot Named Entity Recognition with Entity-level Prototypical Network Enhanced by Dispersedly Distributed Prototypes},
author = {Bin Ji and Shasha Li and Shaoduo Gan and Jie Yu and Jun Ma and Huijun Liu},
journal= {arXiv preprint arXiv:2208.08023},
year = {2022}
}
备注
Accept to COLING2022