面向嵌套命名实体识别的高斯先验强化学习
计算与语言
2023-05-15 v1 人工智能
摘要
命名实体识别（NER）是自然语言处理中一项得到充分且广泛研究的任务。近来，由于其实用性与难度，嵌套 NER 吸引了更多关注。现有嵌套 NER 工作忽略了嵌套实体的识别顺序与边界位置关系。为解决这些问题，我们提出一种名为 GPRL 的新型 seq2seq 模型，将嵌套 NER 任务形式化为实体三元组序列生成过程。GPRL 采用强化学习方法生成实体三元组，解耦金标签中的实体顺序，并期望通过试错学习合理的实体识别顺序。基于嵌套实体边界距离的统计数据，GPRL 设计高斯先验来表示嵌套实体间的边界距离分布，并调整嵌套边界词元的输出概率分布。在三个嵌套 NER 数据集上的实验表明，GPRL 优于以往的嵌套 NER 模型。
引用
@article{arxiv.2305.07266,
title = {Gaussian Prior Reinforcement Learning for Nested Named Entity Recognition},
author = {Yawen Yang and Xuming Hu and Fukun Ma and Shu'ang Li and Aiwei Liu and Lijie Wen and Philip S. Yu},
journal= {arXiv preprint arXiv:2305.07266},
year = {2023}
}
备注
Accepted by ICASSP 2023