少于单样本：基于极弱监督的命名实体识别
计算与语言
2023-11-07 v1
摘要
我们研究极弱监督（XWS）设定下的命名实体识别（NER）问题，其中每一类仅以脱离上下文的方式给出一个示例实体。尽管可以看出 XWS 在监督量上比单样本更轻量，我们提出了一种新颖方法 X-NER，其性能可超越最先进的单样本 NER 方法。我们首先从未经标注的训练语料中挖掘与示例实体相似的实体跨度。我们发现，相较于利用语言模型中的实体跨度表示，比较该跨度被实体示例替换前后的上下文分布更为有效。随后我们利用排名靠前的跨度作为伪标签来训练一个 NER 标注器。在 4 个 NER 数据集上的大量实验与分析表明，X-NER 具有优越的端到端 NER 性能，显著优于具有 1-shot 监督的最先进少样本方法以及 ChatGPT 标注。最后，我们的 X-NER 具备若干值得注意的特性，例如继承了底层语言模型的跨语言能力。
引用
@article{arxiv.2311.02861,
title = {Less than One-shot: Named Entity Recognition via Extremely Weak Supervision},
author = {Letian Peng and Zihan Wang and Jingbo Shang},
journal= {arXiv preprint arXiv:2311.02861},
year = {2023}
}
备注
Accepted to Findings of EMNLP 2023