面向命名实体识别的分类体系扩展
计算与语言
2023-05-23 v1 人工智能
机器学习
摘要
训练命名实体识别（NER）模型通常涉及固定一个实体类型分类体系。然而，需求会演变，我们可能需要 NER 模型识别额外的实体类型。一种简单的方法是用现有和额外的实体类型重新标注整个数据集，然后在重新标注的数据集上训练模型。然而，这是一项极其费力的任务。为此，我们提出了一种称为部分标注模型（PLM）的新方法，其仅使用部分标注的数据集。我们在 6 个多样化数据集上进行了实验，表明 PLM 始终优于大多数其他方法（0.5 - 2.5 F1），包括在先前工作未考虑的分类体系扩展新设定中。PLM 与所有其他方法之间的差距在额外实体类型可用数据有限的设定下尤其大（高达 11 F1），从而表明了更具成本效益的分类体系扩展方法。
引用
@article{arxiv.2305.13191,
title = {Taxonomy Expansion for Named Entity Recognition},
author = {Karthikeyan K and Yogarshi Vyas and Jie Ma and Giovanni Paolini and Neha Anna John and Shuai Wang and Yassine Benajiba and Vittorio Castelli and Dan Roth and Miguel Ballesteros},
journal= {arXiv preprint arXiv:2305.13191},
year = {2023}
}