基于检索非结构化知识的自适应命名实体识别
计算与语言
2023-06-07 v3
摘要
尽管命名实体识别（NER）有助于我们从文本中提取领域特定实体（如音乐领域中的艺术家），但要在目标领域实现准确的NER，创建大量训练数据或结构化知识库的成本很高。本文提出自适应NER，其从非结构化文本中检索外部知识，以学习尚未被充分掌握的实体用法。为检索对NER有用的知识，我们设计了一种有效的两阶段模型，以不确定实体作为查询来检索非结构化知识。该模型先预测输入中的实体，再找出预测置信度不足的那些实体；随后以这些不确定实体为查询检索知识，并将检索到的文本拼接至原始输入以修正预测。在CrossNER数据集上的实验表明，我们的模型在F1指标上以2.35分优于强基线。
引用
@article{arxiv.2210.07523,
title = {Self-Adaptive Named Entity Recognition by Retrieving Unstructured Knowledge},
author = {Kosuke Nishida and Naoki Yoshinaga and Kyosuke Nishida},
journal= {arXiv preprint arXiv:2210.07523},
year = {2023}
}
备注
EACL2023 (long)