基于自描述网络的少样本命名实体识别
计算与语言
2022-03-24 v1
摘要
少样本 NER（命名实体识别）需要有效从有限实例中捕获信息，并从外部资源迁移有用知识。本文中，我们提出一种用于少样本 NER 的自描述机制，其通过使用通用概念集描述实体类型与提及，能有效利用示例实例并精确迁移外部资源知识。具体而言，我们设计了自描述网络（SDNet），一种 Seq2Seq 生成模型，可通用地使用概念描述提及、自动将新颖实体类型映射到概念，并按需自适应识别实体。我们使用大规模语料预训练 SDNet，并在来自不同领域的 8 个基准上开展实验。实验表明 SDNet 在所有基准上取得有竞争力的性能，并在 6 个基准上达到新的 SOTA（最优性能），证明了其有效性与鲁棒性。
引用
@article{arxiv.2203.12252,
title = {Few-shot Named Entity Recognition with Self-describing Networks},
author = {Jiawei Chen and Qing Liu and Hongyu Lin and Xianpei Han and Le Sun},
journal= {arXiv preprint arXiv:2203.12252},
year = {2022}
}
备注
Accepted to the main conference of ACL2022