SEE-Few：用于少样本命名实体识别的播种、扩展与蕴含框架
计算与语言
2022-10-14 v1
摘要
少样本命名实体识别（NER）旨在仅基于少量标注实例识别命名实体。当前的少样本 NER 方法侧重于利用富资源领域中的现有数据集，这在从头训练（不使用任何源域数据）的设置下可能失效。为应对从头训练设置，充分利用标注信息（边界与实体类型）至关重要。因此，本文提出一种新颖的多任务（播种、扩展与蕴含）学习框架 SEE-Few，用于不使用源域数据的少样本 NER。播种与扩展模块负责为蕴含模块提供尽可能准确的候选跨度。蕴含模块将跨度分类重构为文本蕴含任务，同时利用上下文线索与实体类型信息。三个模块共享同一文本编码器并联合学习。在从头训练设置下四个基准数据集上的实验结果表明，所提方法以较大优势优于最先进的少样本 NER 方法。我们的代码见 https://github.com/unveiled-the-red-hat/SEE-Few。
引用
@article{arxiv.2210.05632,
title = {SEE-Few: Seed, Expand and Entail for Few-shot Named Entity Recognition},
author = {Zeng Yang and Linhai Zhang and Deyu Zhou},
journal= {arXiv preprint arXiv:2210.05632},
year = {2022}
}
备注
Accepted by COLING 2022