从杂项其他类词中学习用于少样本命名实体识别
计算与语言
2021-06-30 v1
摘要
少样本命名实体识别（NER）仅利用少量标注来识别和分类命名实体提及。原型网络在少样本 NER 上表现出优越性能。然而，现有的原型方法未能区分其他类词中的丰富语义，这在少样本场景下会加剧过拟合。为解决该问题，我们提出一种新模型——从其他类挖掘未定义类（MUCO），可自动从其他类归纳出不同的未定义类以改进少样本 NER。借助这些额外标注的未定义类，我们的方法将提升 NER 分类器的判别能力，并借助备用语义知识加强对预定义类的理解。实验结果表明，在四个 NER 基准上，我们的模型在 1-shot 和 5-shots 设定下均优于五个最先进（SOTA）模型。录用后我们将发布代码。源代码发布于 https://github.com/shuaiwa16/OtherClassNER.git。
引用
@article{arxiv.2106.15167,
title = {Learning from Miscellaneous Other-Class Words for Few-shot Named Entity Recognition},
author = {Meihan Tong and Shuai Wang and Bin Xu and Yixin Cao and Minghui Liu and Lei Hou and Juanzi Li},
journal= {arXiv preprint arXiv:2106.15167},
year = {2021}
}