SpanProto：一种用于少样本命名实体识别的两阶段基于片段的原型网络
计算与语言
2022-11-22 v2
摘要
少样本命名实体识别（NER）旨在利用极少量标注数据识别命名实体。以往方法基于词元级分类解决该问题，忽略了实体边界信息，且性能不可避免地受到大量非实体词元的影响。为此，我们提出了一种开创性的基于片段的原型网络（SpanProto），通过包括片段抽取与提及分类的两阶段方法处理少样本 NER。在片段抽取阶段，我们将序列标签转换为全局边界矩阵，使模型聚焦于显式边界信息。对于提及分类，我们利用原型学习捕获每个标注片段的语义表示，并使模型更好地适应新类实体。为进一步提升模型性能，我们分离出由片段抽取器生成但在当前 episode 集合中未标注的假正例，并提出基于间隔的损失将其与每个原型区域分离。在多个基准上的实验表明，我们的模型大幅优于强基线。
引用
@article{arxiv.2210.09049,
title = {SpanProto: A Two-stage Span-based Prototypical Network for Few-shot Named Entity Recognition},
author = {Jianing Wang and Chengcheng Han and Chengyu Wang and Chuanqi Tan and Minghui Qiu and Songfang Huang and Jun Huang and Ming Gao},
journal= {arXiv preprint arXiv:2210.09049},
year = {2022}
}