从语言描述中学习：基于解耦框架的低资源命名实体识别
计算与语言
2021-09-14 v1
摘要
在这项工作中，我们研究低资源场景下的命名实体识别（NER）问题，聚焦于少样本与零样本设定。基于大规模预训练语言模型，我们提出一种新颖的NER框架，即SpanNER，它从自然语言监督中学习，并能够在不使用领域内标注数据的情况下识别从未见过的实体类别。我们在5个基准数据集上进行了大量实验，并在少样本学习、领域迁移和零样本学习设定下评估所提方法。实验结果表明，相较于最佳基线，所提方法在少样本学习、领域迁移和零样本学习设定下分别平均带来10%、23%和26%的提升。
引用
@article{arxiv.2109.05357,
title = {Learning from Language Description: Low-shot Named Entity Recognition via Decomposed Framework},
author = {Yaqing Wang and Haoda Chu and Chao Zhang and Jing Gao},
journal= {arXiv preprint arXiv:2109.05357},
year = {2021}
}
备注
EMNLP 2021 Findings