PUnifiedNER：面向多样数据集的基于提示的统一 NER 系统
计算与语言
2023-02-23 v2 人工智能
摘要
命名实体识别（NER）研究多聚焦于基于感兴趣领域数据及有限相关实体类型开发数据集特定模型。这令人困扰，因为每新增一个数据集都需训练并存储一个新模型。本工作中，我们提出一个“通用”模型——基于提示的统一 NER 系统（PUnifiedNER）——可处理来自不同领域的数据，并能同时识别多达 37 种实体类型，理论上可识别类型数量可任意多。通过运用提示学习，PUnifiedNER 是一种能够跨多个语料联合训练、实现智能按需实体识别的新方法。实验结果表明，与数据集特定模型相比，PUnifiedNER 带来显著的预测收益，并大幅降低模型部署成本。此外，对某些数据集，PUnifiedNER 的性能可达到甚至优于最先进的领域特定方法。我们还进行了全面的试点与消融研究，以支持对 PUnifiedNER 各组件的深入分析。
引用
@article{arxiv.2211.14838,
title = {PUnifiedNER: A Prompting-based Unified NER System for Diverse Datasets},
author = {Jinghui Lu and Rui Zhao and Brian Mac Namee and Fei Tan},
journal= {arXiv preprint arXiv:2211.14838},
year = {2023}
}
备注
Accepted to AAAI 2023