QaNER：通过提示问答模型实现少样本命名实体识别
计算与语言
2022-03-07 v2 人工智能
机器学习
摘要
近年来，基于提示(prompt)的预训练语言学习方法通过利用提示作为任务引导来提高标签效率，在少样本命名实体识别(NER)中取得了成功。然而，以往用于少样本NER的基于提示的方法存在诸多局限，如计算复杂度较高、零样本能力弱、需要人工提示工程，或缺乏提示鲁棒性。在本工作中，我们通过提出一种基于提示的问答(QA)学习NER新方法QaNER来解决这些不足。我们的方法包括：1) 将NER问题转化为QA形式的一种精炼策略；2) 面向QA模型的NER提示生成；3) 基于少量标注NER样本使用QA模型进行提示微调；4) 通过提示QA模型实现零样本NER。与以往方法相比，QaNER推理速度更快、对提示质量不敏感、对超参数鲁棒，并且展现出显著更优的低资源性能与零样本能力。
引用
@article{arxiv.2203.01543,
title = {QaNER: Prompting Question Answering Models for Few-shot Named Entity Recognition},
author = {Andy T. Liu and Wei Xiao and Henghui Zhu and Dejiao Zhang and Shang-Wen Li and Andrew Arnold},
journal= {arXiv preprint arXiv:2203.01543},
year = {2022}
}
备注
8 pages, 6 figures