基于实体感知对比学习的混合多阶段解码少样本命名实体识别
计算与语言
2025-10-15 v2
摘要
少样本命名实体识别可以根据少量标注样本识别新类型的命名实体。以往采用token级或span级度量学习的方法存在计算负担大和负样本span数量多的问题。本文提出基于实体感知对比学习的混合多阶段解码少样本NER方法（MsFNER），将通用NER分为两个阶段：实体跨度检测和实体分类。MsFNER包含三个过程：训练、微调和推理。在训练过程中，我们在源域上使用元学习分别训练并得到最优的实体跨度检测模型和实体分类模型，其中我们创建了一个对比学习模块来增强实体分类的实体表示。在微调过程中，我们在目标域的支持数据集上微调这两个模型。在推理过程中，对于未标注数据，我们首先检测实体跨度，然后实体跨度由实体分类模型和KNN共同决定。我们在公开的FewNERD数据集上进行实验，结果证明了MsFNER的先进性。
引用
@article{arxiv.2404.06970,
title = {Hybrid Multi-stage Decoding for Few-shot NER with Entity-aware Contrastive Learning},
author = {Congying Liu and Gaosheng Wang and Peipei Liu and Xingyuan Wei and Hongsong Zhu},
journal= {arXiv preprint arXiv:2404.06970},
year = {2025}
}