面向小样本嵌套命名实体识别的上下文学习
计算与语言
2024-02-05 v1
摘要
在嵌套命名实体识别（NER）中，实体相互嵌套，因此需要更多的数据标注来解决。这推动了小样本嵌套 NER 的发展，其中结合上下文学习（ICL）的预训练语言模型的普及提供了有前景的解决方案。在这项工作中，我们为小样本嵌套 NER 场景引入了一个有效且创新的 ICL 框架。我们通过设计一种新颖的示例演示选择机制 EnDe 检索器来改进 ICL 提示。在 EnDe 检索器中，我们采用对比学习来执行三种类型的表示学习，即语义相似性、边界相似性和标签相似性，以生成高质量的演示示例。在三个嵌套 NER 和四个平面 NER 数据集上的大量实验证明了我们系统的有效性。
引用
@article{arxiv.2402.01182,
title = {In-Context Learning for Few-Shot Nested Named Entity Recognition},
author = {Meishan Zhang and Bin Wang and Hao Fei and Min Zhang},
journal= {arXiv preprint arXiv:2402.01182},
year = {2024}
}
备注
5 figures