面向少样本命名实体识别的标签语义方法
计算与语言
2022-03-18 v1
摘要
我们研究命名实体识别的少样本学习问题。具体而言，我们利用标签名称中的语义信息，作为为模型提供额外信号和丰富先验的一种方式。我们提出了一种神经架构，由两个 BERT 编码器组成，一个用于编码文档及其词元，另一个用于将每个标签以自然语言格式进行编码。我们的模型学习将第一个编码器计算的命名实体表示与第二个编码器计算的标签表示进行匹配。标签语义信号在多个少样本 NER 基准上展现出改进的最优（state-of-the-art）结果，并在标准基准上取得相当的性能。我们的模型在低资源场景下尤为有效。
引用
@article{arxiv.2203.08985,
title = {Label Semantics for Few Shot Named Entity Recognition},
author = {Jie Ma and Miguel Ballesteros and Srikanth Doss and Rishita Anubhai and Sunil Mallya and Yaser Al-Onaizan and Dan Roth},
journal= {arXiv preprint arXiv:2203.08985},
year = {2022}
}
备注
Findings of ACL 2022