GLaRA：用于弱监督命名实体识别的基于图的标注规则增强
计算与语言
2021-04-14 v1
摘要
研究者提出使用启发式标注规则来训练命名实体识别（NER）系统，以替代昂贵的手动标注。然而，设计标注规则具有挑战性，因为它常需要大量人工投入与领域专业知识。为缓解该问题，我们提出 \textsc{GLaRA}，一种基于图的标注规则增强框架，从未标注数据中学习新标注规则。我们首先构建图，其节点表示从未标注数据中提取的候选规则。然后，我们设计一种新的图神经网络，通过探索规则间的语义关系来增强标注规则。最后我们将增强后的规则应用于未标注数据以生成弱标签，并使用弱标注数据训练 NER 模型。我们在三个 NER 数据集上评估了我们的方法，发现当给定一小组种子规则时，相较最佳基线平均提升 +20\% F1 分数。
引用
@article{arxiv.2104.06230,
title = {GLaRA: Graph-based Labeling Rule Augmentation for Weakly Supervised Named Entity Recognition},
author = {Xinyan Zhao and Haibo Ding and Zhe Feng},
journal= {arXiv preprint arXiv:2104.06230},
year = {2021}
}
备注
Accepted at EACL 2021