Split-NER：通过两次基于问答的分类实现命名实体识别
计算与语言
2023-11-01 v1 信息检索
机器学习
摘要
本文中，我们将NER问题拆分为两个逻辑子任务来解决：(1)跨度检测，仅提取实体提及跨度而不考虑实体类型；(2)跨度分类，将跨度分类至其实体类型。进一步，我们将两个子任务都表述为问答(QA)问题，并产出两个更精简的模型，可针对每个子任务分别优化。在四个跨域数据集上的实验表明，这种两步法既有效又省时。我们的系统SplitNER在OntoNotes5.0、WNUT17和一个网络安全数据集上优于基线，在BioNLP13CG上取得相当性能。在所有情况下，相比其QA基线对应方法，它都显著减少了训练时间。我们系统的有效性源于对BERT模型进行两次微调，分别用于跨度检测与分类。源代码见 https://github.com/c3sr/split-ner。
引用
@article{arxiv.2310.19942,
title = {Split-NER: Named Entity Recognition via Two Question-Answering-based Classifications},
author = {Jatin Arora and Youngja Park},
journal= {arXiv preprint arXiv:2310.19942},
year = {2023}
}