少样本嵌套命名实体识别
计算与语言
2022-12-05 v1 人工智能
摘要
尽管命名实体识别（NER）是一项被广泛研究的任务，但仅利用少量标注数据对实体进行推断一直具有挑战性，尤其是对于具有嵌套结构的实体。与扁平实体不同，实体及其嵌套实体更可能具有相似的语义特征表示，极大增加了少样本设定下对不同实体类别进行分类的难度。尽管先前工作已在少样本学习背景下简要讨论过嵌套结构，但据我们所知，本文是首篇专门研究少样本嵌套 NER 任务的论文。利用上下文依赖来区分嵌套实体，我们提出了一种基于双仿射的对比学习（BCL）框架。我们首先设计了一个双仿射跨度表示模块，用于学习每个实体跨度的上下文跨度依赖表示，而非仅学习其语义表示。随后我们通过残差连接合并这两种表示以区分嵌套实体。最后，我们构建对比学习框架来调整表示分布，以获得更大的边界间隔和更通用的领域迁移学习能力。我们在三个英语、德语和俄语嵌套 NER 数据集上进行了实验研究。结果表明，在 1-shot 和 5-shot 任务上，BCL 在 F1 分数方面优于三个基线模型。
引用
@article{arxiv.2212.00953,
title = {Few-Shot Nested Named Entity Recognition},
author = {Hong Ming and Jiaoyun Yang and Lili Jiang and Yan Pan and Ning An},
journal= {arXiv preprint arXiv:2212.00953},
year = {2022}
}