日语句子分类与命名实体识别任务中的相互增强效应
计算与语言
2023-07-24 v2
摘要
信息抽取（IE）是自然语言处理中的一个关键子领域。然而，对于传统上分割处理的句子分类与命名实体识别，这些独立子任务之间复杂的相互作用在很大程度上未被研究。在本研究中，我们提出一种整合分析，将句子分类与命名实体识别相融合，旨在揭示并理解这两个信息抽取子任务内的相互增强效应。为此，我们引入句子分类与命名实体识别多任务（SCNM）方法，结合句子分类（SC）与命名实体识别（NER）。我们为 SCNM 开发了句子到标签生成（SLG）框架，并构建了包含 SC 与 NER 的 Wikipedia 数据集。利用格式转换器，我们统一输入格式并采用生成模型生成 SC 标签、NER 标签及相关文本片段。我们提出约束机制（CM）以提高生成格式准确率。我们的结果显示，与独立任务相比，SCNM 中 SC 准确率提升 1.13 点、NER 提升 1.06 点，且 CM 将格式准确率从 63.61 提升至 100。研究结果表明 SC 与 NER 之间存在相互增强效应，且集成提升了两项任务的性能。我们还在单一 SC 任务上实现了 SLG 框架。其在两个不同日语 SC 数据集上取得了优于基线的准确率。值得注意的是，在少样本学习实验中，SLG 框架表现出远优于微调方法的性能。这些实证发现为证实 SLG 框架的有效性提供了额外证据。
引用
@article{arxiv.2307.10291,
title = {Mutual Reinforcement Effects in Japanese Sentence Classification and Named Entity Recognition Tasks},
author = {Chengguang Gan and Qinghao Zhang and Tatsunori Mori},
journal= {arXiv preprint arXiv:2307.10291},
year = {2023}
}
备注
25 pages, 12 figures, 19 tables. arXiv admin note: substantial text overlap with arXiv:2306.15978