消除命名实体识别中的实体外错误：基于句子层面的策略
计算与语言
2025-01-14 v2 人工智能
摘要
许多命名实体识别（NER）模型都存在实体外错误（Out-of-Entity, OOE）的问题，即测试样本中实体 mentions 中的 token 未出现在训练样本中，这会阻碍模型达到令人满意的性能。为了提高 OOE-NER 的性能，本文提出了一种新框架，即 S+NER，通过充分利用句子层面的信息。我们的 S+NER 之所以能够实现更好的 OOE-NER 性能，主要源于以下两个特定设计：1）首先利用预训练语言模型的能力，通过模板集合理解目标实体的句子层级上下文；2）然后基于正负模板，通过对比学习策略和模板池化方法，对句子层级表示进行细化，以获得更好的 NER 结果。我们在五个基准数据集上的大量实验表明，S+NER 在一些最新进步的 OOE-NER 模型方面表现更佳。
引用
@article{arxiv.2412.08434,
title = {Mitigating Out-of-Entity Errors in Named Entity Recognition: A Sentence-Level Strategy},
author = {Guochao Jiang and Ziqin Luo and Chengwei Hu and Zepeng Ding and Deqing Yang},
journal= {arXiv preprint arXiv:2412.08434},
year = {2025}
}
备注
Accepted by COLING 2025