具有自适应边界的元学习三元组网络用于少样本命名实体识别
计算与语言
2023-02-16 v1
摘要
元学习方法已广泛用于少样本命名实体识别（NER），尤其是基于原型的方法。然而，Other（O）类因通常含有大量语义繁杂的样本而难以由单一原型向量表示。为解决该问题，我们提出 MeTNet，其仅为实体类型生成原型向量而不为 O 类生成。我们设计一种改进的三元组网络，将样本与原型向量映射至更易分类的低维空间，并为每一实体类型提出自适应边界。该边界充当半径，在低维空间中控制一个尺寸自适应的区域。基于这些区域，我们提出一种新的推断流程来预测查询实例的标签。我们在域内与跨域设定下进行了广泛实验，以展示 MeTNet 相对于其他 state-of-the-art 方法的优越性。特别地，我们发布了一个从知名电商平台提取的中文少样本 NER 数据集 FEW-COMM。据我们所知，这是首个中文少样本 NER 数据集。所有数据集与代码均发布于 https://github.com/hccngu/MeTNet。
引用
@article{arxiv.2302.07739,
title = {Meta-Learning Triplet Network with Adaptive Margins for Few-Shot Named Entity Recognition},
author = {Chengcheng Han and Renyu Zhu and Jun Kuang and FengJiao Chen and Xiang Li and Ming Gao and Xuezhi Cao and Wei Wu},
journal= {arXiv preprint arXiv:2302.07739},
year = {2023}
}