GenCNER：用于持续命名实体识别的生成框架
计算与语言
2025-10-14 v1
摘要
传统命名实体识别（NER）旨在识别文本提及以预定义的实体类型为目标。由于实体类别在各种实际场景中不断增加，故引入持续命名实体识别（CNER）。然而，现有持续学习（CL）方法面临灾难性遗忘和非实体类型的语义偏移挑战。本文提出 GenCNER，一个简单而有效的用于 CNER 的生成框架以缓解上述问题。具体而言，我们巧妙地将 CNER 任务转换为持续实体三元组序列生成问题，并利用强大的预训练 seq2seq 模型进行解决。此外，我们设计了基于类型的置信度伪标记策略结合知识蒸馏（KD）以保留所学知识并缓解三元组层面的标签噪声影响。实验结果表明，在两个基准数据集上的多个 CNER 设置下，我们的框架在性能上优于以前的 SOTA 方法，并与非 CL 结果之间的差距最小。
引用
@article{arxiv.2510.11444,
title = {GenCNER: A Generative Framework for Continual Named Entity Recognition},
author = {Yawen Yang and Fukun Ma and Shiao Meng and Aiwei Liu and Lijie Wen},
journal= {arXiv preprint arXiv:2510.11444},
year = {2025}
}
备注
Accepted by IJCNN 2025