PromptNER：面向命名实体识别的提示定位与类型标注

提示学习是利用预训练语言模型的新范式，已在诸多任务中取得巨大成功。为在 NER 任务中采用提示学习，已从一对对称视角探索了两类方法：通过枚举跨度填充模板以预测其实体类型，或构建类型特定提示以定位实体。然而，这些方法不仅需要多轮提示方式，带来较高的时间开销与计算成本，还需要精细的提示模板，难以在实际场景中应用。本文将对实体的定位与类型标注统一到提示学习中，设计了一种具有位置槽与类型槽的双槽多提示模板，分别用于提示定位与类型标注。多个提示可同时输入模型，随后模型通过对槽的并行预测抽取所有实体。为在训练中为槽分配标签，我们设计了一种动态模板填充机制，利用提示与真实实体之间的扩展二分图匹配。我们在多种设定下开展实验，包括资源丰富的扁平与嵌套 NER 数据集，以及低资源同域与跨域数据集。实验结果表明，所提模型取得了显著的性能提升，尤其在跨域少样本设定下，平均优于当前最优模型 +7.7%。