SCL-RAI：基于跨度的对比学习与检索增强推理解决 NER 中未标注实体问题
计算与语言
2023-10-25 v3
摘要
命名实体识别（NER）是定位并分类文本中实体的任务。然而，NER 数据集中的未标注实体问题严重阻碍了 NER 性能的提升。本文提出 SCL-RAI 以应对该问题。首先，我们通过基于跨度的对比学习缩小同标签跨度表示的距离，同时拉大不同标签间的距离，从而缓解实体间的歧义并提升模型对未标注实体的鲁棒性。随后我们提出检索增强推理来缓解决策边界偏移问题。我们的方法在两个真实数据集上以 4.21% 和 8.64% 的 F1 分数显著优于此前的 SOTA 方法。
引用
@article{arxiv.2209.01646,
title = {SCL-RAI: Span-based Contrastive Learning with Retrieval Augmented Inference for Unlabeled Entity Problem in NER},
author = {Shuzheng Si and Shuang Zeng and Jiaxing Lin and Baobao Chang},
journal= {arXiv preprint arXiv:2209.01646},
year = {2023}
}
备注
COLING 2022